Python性能优化关键在理解CPython执行机制与四类瓶颈；通过字节码分析、合理使用内置工具（如Counter、生成器）、分层性能验证（timeit/cProfile/line_profiler），可显著提升效率。
Python性能优化不是调几个参数的事，关键在理解执行机制和瓶颈类型。这一讲聚焦底层原理与真实场景的结合，帮你避开“学了不会用”的坑。
理解CPython解释器的执行流程
Python代码不是直接运行的，而是经过编译→解释→执行三步。很多性能问题其实在字节码阶段就埋下了伏笔。
- 用 dis.dis() 查看函数字节码，识别冗余操作（比如重复计算、隐式类型转换）
- 注意 LOAD_GLOBAL 比 LOAD_FAST 慢3-5倍——局部变量访问永远优于全局或内置名
- 循环中避免反复查属性（如 obj.method），提前赋值给局部变量
识别四类典型性能瓶颈
90%的慢代码都落在以下四类中，先定位再优化：
- CPU密集型：数学计算、嵌套循环、正则匹配——优先考虑 numba、Cython 或迁移到 numpy 向量化
- I/O密集型：文件读写、网络请求、数据库查询——用异步（asyncio）、线程池或连接复用
- 内存密集型：大列表生成、重复拷贝、缓存未清理——改用生成器、array.array、__slots__
- 算法/数据结构型：误用 list.index() 查找、频繁 list.append() 后又 list.pop(0)——换 set、deque 或二分查找
实战案例：从2.8秒到0.17秒的日志分析脚本
原始脚本逐行读日志，用 str.split() 解析，再用 list.count() 统计IP频次，耗时2.8秒。
立即学习“Python免费学习笔记（深入）”；
- 第一步：用 collections.Counter 替代手动计数，降为1.4秒
- 第二步：用正则预编译 + re.finditer 提取IP，避免多次 split，降到0.65秒
- 第三步：用 map() + 生成器表达式替代 for 循环解析，最终 0.17 秒
- 关键点：没动算法逻辑，只调整了数据处理路径和内置工具选择
性能验证必须闭环：测什么、怎么测、信不信
不验证的优化等于没做。别只看 time.time()，要分层测量：
- 宏观：用 timeit 测小段代码（自动多次运行取中位数）
- 中观：用 cProfile 找热点函数（关注 cumtime 和 ncalls）
- 微观：用 line_profiler 看某函数内每行耗时（需装饰器+命令行）
- 警惕“优化后更慢”：检查是否引入了额外对象创建、锁竞争或GC压力
