pstats 不支持原生多维度交叉分析，仅提供固定排序和过滤；需组合 strip_dirs、sort_stats、filter 及手动遍历 stats.stats 字典实现，如按模块聚合耗时、反向统计调用频次、安全导出 CSV 等。
直接说结论：pstats 本身不支持“多维度交叉分析”，它只提供固定几类排序视图（sort_stats）和过滤能力；所谓“多维度”得靠组合调用 sort_stats、strip_dirs、filter 和手动遍历 Stats 对象的内部字段来实现。
怎么加载并初步检查 cProfile 输出文件
用 pstats.Stats 加载后，先调 print_stats(10) 快速看耗时 Top 10——但注意，默认显示含完整路径，干扰判断：
import pstats
stats = pstats.Stats("profile.out")
stats.strip_dirs().sort_stats("cumulative").print_stats(10)常见错误：直接 Stats("profile.out").print_stats()，结果被一堆 /usr/lib/python3.9/... 淹没。必须先 strip_dirs() 再排序，否则 sort_stats("cumulative") 仍按带路径的函数名排序，Top 10 可能全是标准库。
如何按模块 + 函数名分组统计总耗时
pstats 不提供原生“按模块聚合”，但可以遍历 stats.stats 字典，提取键中的模块名（即 filename:lineno(function) 中的 filename 部分），再累加 cumtime：
立即学习“Python免费学习笔记（深入）”；
from collections import defaultdict
module_times = defaultdict(float)
for (filename, lineno, funcname), (cc, nc, tt, ct, callers) in stats.stats.items():
mod = filename.split("/")[-1].rsplit(".", 1)[0] if "." in filename else filename
module_times[mod] += ct
for mod, t in sorted(module_times.items(), key=lambda x: x[1], reverse=True)[:5]:
print(f"{mod}: {t:.3f}s")关键点：
-
stats.stats是原始字典，键是(filename, lineno, funcname)元组，值是(call_count, ncalls, tottime, cumtime, callers) -
ct是 cumulative time，即该函数及其所有子调用总耗时，通常比tt（仅本函数内耗时）更有分析价值 - 直接用
filename提取模块名容易出错（比如__main__或绝对路径），建议先strip_dirs()再处理
为什么 sort_stats("calls") 有时看不出调用频繁的函数
sort_stats("calls") 实际按 ncalls（非递归调用次数）排序，但很多函数在 stats.stats 中记录的是 tottime 为 0 的“入口桩”，真正调用次数藏在 callers 字典里：
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
例如：func_a 被 func_b 调用了 100 次，但 func_a 自身没做耗时操作，ncalls 可能是 100，tottime 却是 0 —— 这种情况 sort_stats("calls") 能列出来；但如果 func_a 是被 C 扩展或内置函数间接调用，ncalls 可能压根没被正确记录。
更可靠的做法是遍历 callers 并反向统计：
from collections import Counter
caller_counts = Counter()
for key, (_, _, _, _, callers) in stats.stats.items():
for caller_key in callers:
caller_counts[caller_key[2]] += callers[caller_key] # caller_key[2] 是调用方函数名
for func, count in caller_counts.most_common(5):
print(f"{func} called {count} times")注意：callers 字典的键是 (filename, lineno, funcname)，值是调用次数，但这个次数是「该调用关系发生的次数」，不是函数总调用数，需去重累加。
导出为 CSV 做外部分析的注意事项
pstats 没有内置 CSV 导出，手写时别直接用 print_stats() 的字符串输出——格式不稳定，列宽会变。应直接读 stats.stats：
容易踩的坑：
-
ncalls字段可能是字符串（如"100/50"表示递归调用 100 次，其中 50 次是递归自身），需正则解析 -
filename含空格或逗号会导致 CSV 解析错位，必须用 csv 模块转义，不能简单f.write(f"{filename},{ncalls},{ct}\n") - 想保留调用链信息？
callers是嵌套结构，扁平化时需限制深度，否则 CSV 行数爆炸
复杂点在于：pstats 的设计目标是快速查看，不是数据分析。真要多维下钻（比如“找出所有在 module_x 中调用且 cumtime > 1s 的函数，并按被哪些测试用例触发分类”），得把 profile 数据导入 pandas，再结合源码结构做关联——pstats 只是起点，不是终点。
