优化python性能需先用cprofile或line_profiler定位瓶颈，减少对象创建与内存拷贝，善用集合、内置函数及c扩展，io密集用异步/线程，cpu密集用多进程。
定位性能瓶颈：从测量开始
不测量就优化，等于蒙眼开车。Python里最直接的工具是cProfile，它能告诉你哪一行、哪个函数耗时最多。运行python -m cProfile -s cumulative your_script.py，按累计时间排序，重点关注ncalls高且tottime大的函数。
更轻量的选择是line_profiler，用@profile装饰目标函数后执行kernprof -l -v script.py，可精确到每一行的执行次数和耗时。对I/O密集型任务，别忘了检查time.sleep、文件读写、网络请求是否成了隐形拖累——这些在CPU时间里不显眼，却让整体变慢。
减少对象创建与内存开销
频繁创建短生命周期对象（如字符串拼接、列表推导中嵌套生成器）会触发大量GC，拖慢速度。避免用+拼接多个字符串，改用''.join(list_of_strings)；不用[x for x in range(N)]构造大列表，优先用range(N)本身（它是惰性迭代器）或生成器表达式。
留意隐式拷贝：切片lst[1000:2000]会复制元素，而itertools.islice(lst, 1000, 2000)只做视图；传参时尽量传引用（不可变对象除外），避免函数内重复copy.deepcopy()。
立即学习“Python免费学习笔记（深入）”；
- 用
__slots__限制实例属性，节省内存并加速属性访问 - 对固定结构数据，考虑
collections.namedtuple或typing.NamedTuple替代普通class - 大数组运算交给
numpy，它把循环压进C层，避免Python级for循环
算法与数据结构：换一个思路快十倍
很多慢不是因为代码写得“糙”，而是选错了抽象。比如判断元素是否在容器中：if x in list是O(n)，换成set就是O(1)；统计词频用collections.Counter比手写字典计数更简洁高效；需要频繁插入/删除中间位置？list不合适，试试collections.deque。
递归深了容易栈溢出且慢，能转成迭代就转。例如树遍历、DFS/BFS，用显式栈或队列常比递归清晰又快。还有，别忽视内置函数——sum()比手动for累加快，all()/any()带短路逻辑，比写循环更安全高效。
合理使用C扩展与并发加速
纯Python卡在计算密集型任务？先看有没有现成C加速模块：regex比re快，ujson比json解析快2–5倍，cython可把关键函数编译成C，几行注解就能提速数倍。
IO密集型任务用asyncio或concurrent.futures.ThreadPoolExecutor；CPU密集型则上multiprocessing或concurrent.futures.ProcessPoolExecutor。注意GIL限制——多线程无法真正并行CPU任务，但多进程可以。启动进程有开销，适合单次耗时>0.1秒的任务。
不复杂但容易忽略。
