line_profiler需pip安装且用kernprof命令行分析，仅追踪@profile装饰的函数；报告中% Time超30%需警惕性能瓶颈；Jupyter中需先%load_ext line_profiler再用%lprun。
line_profiler 安装和基本命令行用法
line_profiler 不是 Python 内置模块，必须单独安装，且不能直接用 python -m line_profiler 运行（会报错 No module named line_profiler.__main__）。
正确安装方式是：
- 用 pip 安装：
pip install line_profiler - 安装后需手动注册 IPython 魔法命令（如果要用在 Jupyter 里）：
pip install line_profiler && python -m line_profiler --version确认可用，再在 IPython/Jupyter 中运行%load_ext line_profiler - 命令行分析脚本的典型流程：
kernprof -l -v script.py，其中-l表示启用 line-by-line profiling，-v表示执行完立即打印结果
注意：kernprof 是 line_profiler 提供的命令行入口，不是系统自带命令——装完才会有。如果提示 command not found: kernprof，说明安装未生效或 shell 缓存未刷新（可试 hash -d kernprof 或重启终端）。
@profile 装饰器必须显式添加且仅对函数有效
line_profiler 不会自动分析所有代码，它只追踪被 @profile 标记的函数。没有这个装饰器，哪怕函数被调用，也不会出现在报告中。
立即学习“Python免费学习笔记（深入）”；
常见错误写法：
def my_func():
x = [i**2 for i in range(100000)]
return sum(x)
这段代码加了 kernprof -l -v script.py 也不会出耗时数据。必须改成：
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
@profile
def my_func():
x = [i**2 for i in range(100000)]
return sum(x)
几点关键细节：
-
@profile是全局可用的装饰器，无需 import（但需确保已安装 line_profiler） - 只能加在函数定义上，不能加在类、if 块、循环内部或 lambda 上
- 如果函数在模块顶层被调用，必须确保该函数被实际执行（比如加
if __name__ == "__main__": my_func()），否则kernprof不会触发采集 - 不支持嵌套作用域内的局部函数（即 def 在另一个 def 里面），除非外层函数也加了
@profile并调用了它
输出报告中各列含义和性能判断依据
执行 kernprof -l -v script.py 后，你会看到类似这样的表格：
Line # Hits Time Per Hit % Time Line Contents
==============================================================
5 @profile
6 def my_func():
7 1 249 249.0 2.1 x = [i**2 for i in range(100000)]
8 1 11521 11521.0 97.9 return sum(x)
重点看这四列：
-
Hits：该行被执行次数（对循环内代码尤其关键） -
Time：该行累计耗时（单位是 CPU clock ticks，非绝对秒数，但比例可靠） -
Per Hit：平均每次执行耗时，用于识别单次开销大的操作（如磁盘读、正则编译） -
% Time：占整个被 profile 函数总耗时的百分比，快速定位瓶颈位置
注意：Time 值本身不可跨机器/跨运行比较；但同一份报告里的 % Time 和相对大小完全可信。如果某行 % Time 超过 30%，且逻辑简单（比如只是赋值或索引），就要怀疑是不是数据规模或算法出了问题。
Jupyter 中使用 %lprun 魔法命令的限制条件
在 Jupyter 里用 %lprun -f func_name func_name(args) 更方便，但有硬性前提：
- 必须先执行
%load_ext line_profiler -
func_name必须已在当前 kernel 中定义（不能是刚 copy-paste 进来的、未执行的 cell） - 不能对内置函数（如
len、print）或 C 扩展函数（如numpy.array构造）做行级分析——这些只会显示为 1 行 “function call”，Time 归到调用点，无法下钻 - 如果函数依赖外部变量（比如闭包或 global 变量），确保它们在调用前已存在且值稳定，否则可能因重复计算或异常中断导致报告不全
一个容易忽略的问题：%lprun 默认只分析指定函数及其直接调用的、也打了 @profile 的子函数。如果你没给子函数加装饰器，那部分代码就“隐身”了——看起来像某一行突然耗时飙升，其实是跳进未标记函数里执行了很久。
