Python性能分析需结合cProfile（函数级）、line_profiler（行级）、memory_profiler（内存）及snakeviz（可视化）等工具，聚焦cumtime、%Time和内存增量定位瓶颈。
Python性能分析主要靠内置和第三方工具定位耗时瓶颈，关键在选对工具、理解输出、聚焦热点。
用 cProfile 快速抓取函数级耗时
cProfile 是 Python 自带最常用的分析器，开销小、结果稳定，适合初步排查。
- 命令行直接运行：python -m cProfile -s cumulative your_script.py，-s cumulative 按累计时间排序，一眼看出哪条调用链最重
- 代码中嵌入更灵活：
import cProfile
pr = cProfile.Profile()
pr.enable()
# 运行待测代码（如 main()）
pr.disable()
pr.print_stats(sort='cumtime') - 重点关注 ncalls（调用次数）、tottime（函数自身耗时，不含子调用）、cumtime（含所有子调用的总耗时）——真正拖慢程序的往往是 cumtime 高 + ncalls 多 的函数
用 line_profiler 精确定位行级热点
cProfile 只到函数粒度，line_profiler 能告诉你某函数里哪一行最慢，特别适合优化算法内循环或数据处理逻辑。
- 先安装：pip install line_profiler，再用装饰器或命令行分析
@profile
def process_data():
data = [x**2 for x in range(1000000)] # 这行可能很慢
return sum(data) - 运行：kernprof -l -v your_script.py，-l 表示启用行分析，-v 输出详细结果
- 输出中每行显示 Hits（执行次数）、Time（微秒）、Per Hit（平均每次耗时）、% Time（占该函数总耗时比）——优先优化 % Time 高且可简化的行
用 memory_profiler 查内存泄漏与峰值
响应慢不一定是 CPU 瓶颈，也可能是内存暴涨触发频繁 GC 或 OOM。memory_profiler 帮你盯住内存变化。
立即学习“Python免费学习笔记（深入）”；
- 安装：pip install memory_profiler
- 装饰函数即可监控：
from memory_profiler import profile
@profile
def load_and_filter():
big_list = [i for i in range(10**6)]
return [x for x in big_list if x % 2 == 0] - 运行：python -m memory_profiler your_script.py，输出每行内存增量（单位 MiB）
注意看 持续增长未释放 的变量，比如意外保留了大对象引用、生成器被转成 list、缓存没设上限等
可视化分析让瓶颈一目了然
文本输出信息密度过高，用图形化工具能快速建立调用关系认知。
-
pstats 内置模块可导出 call graph：
python -m cProfile -o profile.pstats your_script.py
python -c "import pstats; p = pstats.Stats('profile.pstats'); p.sort_stats('cumtime').print_stats(20)" - 更直观用 snakeviz：
pip install snakeviz
python -m cProfile -o profile.pstats your_script.py
snakeviz profile.pstats —— 自动打开浏览器，交互式火焰图，鼠标悬停看详情 - 对 Web 应用，py-spy 支持无侵入采样（不用改代码），还能 attach 到正在运行的进程，适合生产环境快速快照
