Python性能优化需先用cProfile定位瓶颈，再针对性改进：减少重复计算、用生成器和批量操作、选对数据结构；CPU密集型可转向NumPy向量化、Cython或Numba，同时排查I/O与环境因素。

Python代码性能优化不是靠猜，而是靠分析定位瓶颈后再针对性改进。关键在于先用工具找出慢在哪，再选择合适方法优化，避免过早优化或盲目改写。

用cProfile定位性能瓶颈

cProfile是Python内置最实用的性能分析工具，能精确到函数级别，显示每个函数的调用次数、总耗时和内部耗时。

• 在脚本开头加import cProfile，结尾加cProfile.run('main()')（把main换成你的入口函数）
• 更推荐命令行方式：python -m cProfile -s cumulative your_script.py，-s cumulative按累计时间排序，一眼看到耗时最多的函数链
• 重点关注ncalls（调用次数）高且tottime（函数自身耗时）大的项——这才是真正的瓶颈，不是cumtime（含子函数）高的外层包装函数

常见可快速见效的优化方向

多数Python性能问题集中在I/O、循环、数据结构和重复计算上，以下改动成本低、收益明显：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 减少重复计算：把循环内不变的表达式（如len(lst)、math.sqrt(2)）提到循环外；用functools.lru_cache缓存纯函数结果
• 用生成器替代列表推导式：处理大数据流时，(x*2 for x in data)比[x*2 for x in data]省内存，配合itertools.islice还能提前终止
• 批量操作替代逐个调用：用str.join()代替+=拼接字符串；用list.extend()代替多次append()；数据库操作尽量用executemany而非循环execute
• 选对数据结构：查存在性用set或dict（O(1)），不用list（O(n)）；频繁插入删除用collections.deque

必要时升级执行效率

当纯Python优化已达极限，且瓶颈确实在CPU密集型计算上，再考虑以下方案：

立即学习“Python免费学习笔记（深入）”；

• 用NumPy/Pandas向量化：将循环计算转为数组操作，底层由C实现，速度提升常达10–100倍。例如用arr[arr > 0.5]代替for循环判断
• 用Cython编译热点函数：给Python函数加静态类型声明（如def func(int x, double[:] arr):），用cythonize编译成C扩展模块，适合算法核心部分
• 多进程处理CPU任务：用concurrent.futures.ProcessPoolExecutor绕过GIL限制，注意进程启动开销，适合单次运行时间长的任务
• 考虑Numba JIT：对数值计算函数加@njit装饰器，无需改代码即可获得接近C的速度，支持NumPy操作

别忽略I/O与环境因素

很多“慢”其实和Python本身无关：

• 文件读写慢？用buffering=8192或mmap；数据库慢？检查索引、连接池、是否在循环里反复查询
• 开发机性能差或资源被占满？用psutil监控内存/CPU/磁盘IO，排除环境干扰
• 用了低效库？比如用xml.etree.ElementTree解析大XML很慢，换lxml或xmltodict可能快几倍