定位性能瓶颈需先测量再优化：用cprofile分析函数级耗时，关注cumulative time；识别高频小操作、i/o阻塞、算法复杂度、gil限制四类问题；line_profiler精确定位行级热点；memory_profiler排查内存与gc影响。
定位性能瓶颈是优化Python代码的第一步，盲目修改往往事倍功半。核心思路是：先测量、再分析、后优化——用数据代替猜测。
用cProfile快速抓出耗时大户
cProfile是Python标准库中最实用的性能分析工具，能精确到函数级耗时和调用次数。只需在脚本入口加几行代码：
import cProfile
import pstats
<h1>替换你的主函数调用</h1><p>cProfile.run('main()', 'profile_stats')
stats = pstats.Stats('profile_stats')
stats.sort_stats('cumulative') # 按累计时间排序
stats.print_stats(20) # 打印前20个最耗时的函数
重点关注 cumulative time（累计时间）列，它包含该函数自身耗时及其所有子调用时间；若某函数自身时间（tottime）占比高，说明它内部有热点；若累计时间远大于自身时间，说明它调用了大量慢函数，应顺藤摸瓜往下查。
识别常见瓶颈类型
分析结果后，多数性能问题可归为以下几类：
立即学习“Python免费学习笔记（深入）”；
红技shop网上购物系统
下载
红技SHOP是一款智能化的通用型网络商城系统，取市面上众多的同类商城系统之精华，去除其它同类商品的不足之处和复杂烦琐的无用功能，用红技独有研发技术不断地加以提炼，使系统体积小而功能全面所有功能都能发辉作用。红技SHOP无论在系统稳定性、代码优化、运行效率、负荷能力、安全性能、功能可操控性和程序可维护性等方面都居国内外同类网上购系统商品的领先者。红技SHOP是专业的网络商城的WEB软件开发单位，因为
-
高频小操作堆积：如循环内反复拼接字符串（
s += item）、频繁创建短生命周期对象、重复计算不变表达式 - I/O阻塞未并发：同步读文件、发HTTP请求、访问数据库时未批量或异步处理
-
算法复杂度失控：误用O(n²)嵌套遍历替代哈希查找，或对大列表反复调用
list.index()、item in list -
CPU密集型未释放GIL：纯计算任务（如数值运算、加密）被CPython的全局解释器锁拖慢，适合用
multiprocessing或C扩展加速
用line_profiler精确定位行级热点
当cProfile指出某个函数很慢，但不确定哪一行是罪魁祸首时，line_profiler可深入到每一行的执行时间和次数：
pip install line_profiler
# 在目标函数上加装饰器
@profile
def slow_function():
...
<h1>命令行运行</h1><p>kernprof -l -v script.py
输出会显示每行代码的执行次数、总耗时、每行平均耗时及占函数总耗时百分比。特别注意那些“执行次数多+每行耗时长”的组合，比如循环内未缓存的属性访问、重复正则编译、未预编译的JSON解析等。
别忽略内存与GC的影响
内存暴涨或频繁垃圾回收也会显著拖慢程序，尤其在长时间运行或处理大数据时：
- 用
memory_profiler监控内存增长：@profile装饰函数后运行python -m memory_profiler script.py - 检查是否无意中保留了大对象引用（如全局缓存未清理、闭包捕获了大变量）
- 避免在循环中不断追加到大列表，考虑生成器或
array.array等更省内存结构
有时“变快”不是因为计算更快，而是因为减少了内存压力，让GC更少打断执行。
