性能分析工具入门：timeit模块、cProfile分析器、line_profiler逐行分析

性能调优这件事，说白了就是先找到瓶颈，再动手优化。但很多新手一上来就凭感觉改代码，结果往往是白费力气。我见过太多人花了一整天优化一个函数，结果发现瓶颈根本不在那里。

所以今天咱们就来聊聊性能分析工具。这三样东西——timeit、cProfile、line_profiler——是我日常工作中最常用的三板斧。它们分别解决不同粒度的问题：微基准测试、函数级分析、逐行分析。

1. timeit模块：精准测量小段代码

先说说timeit。这个模块专门用来测量小段代码的执行时间。你可能会问：直接用time.time()不行吗？嗯，这里有个坑——单次测量受系统负载影响太大，结果很不稳定。

timeit会自动运行多次取平均值，还会帮你关闭垃圾回收，减少干扰。我个人习惯用它来对比不同实现方式的性能。

import timeit

# 测量单条语句
t = timeit.timeit('"-".join(str(n) for n in range(100))', number=10000)
print(f"耗时: {t:.4f} 秒")

# 测量函数
def test():
    return sum(range(1000))

t = timeit.timeit(test, number=100000)
print(f"函数耗时: {t:.4f} 秒")

2. cProfile分析器：定位函数级瓶颈

当代码规模变大，光靠timeit就不够了。你需要知道整个程序里哪些函数最耗时。这时候cProfile就派上用场了。

cProfile是Python内置的性能分析器，不需要额外安装。它会记录每个函数的调用次数、总耗时、每次调用耗时等信息。

import cProfile
import pstats

def main():
    # 你的业务逻辑
    for i in range(1000):
        expensive_function(i)

# 运行分析
cProfile.run('main()', 'output.prof')

# 查看结果
p = pstats.Stats('output.prof')
p.sort_stats('cumtime').print_stats(10)  # 按累计耗时排序，显示前10条

3. line_profiler：逐行分析，精准定位

有时候函数级分析还不够。你明明知道某个函数慢，但不知道具体是哪一行代码拖了后腿。这时候就需要line_profiler了。

这个工具需要额外安装：pip install line_profiler。它会在每行代码前标注执行时间和执行次数，让你一目了然。

# 先安装：pip install line_profiler

@profile  # 这个装饰器是关键
def slow_function():
    total = 0
    for i in range(100000):
        total += i ** 2  # 这行可能很慢
        if i % 10000 == 0:
            print(f"进度: {i}")
    return total

if __name__ == '__main__':
    slow_function()

kernprof -l -v your_script.py

输出结果会显示每行代码的耗时百分比、执行次数、单次耗时。你想想看，如果某行代码只占1%的时间，你花半天去优化它，是不是很亏？

4. 三者的选择策略

这三个工具各有侧重，我一般这样用：

• 写新代码时：用timeit快速验证不同实现方式的性能差异
• 优化已有代码时：先用cProfile找出最耗时的函数，缩小范围
• 锁定目标函数后：用line_profiler逐行分析，找到具体瓶颈

说白了，这就是一个「从宏观到微观」的排查过程。先看全局，再聚焦局部，最后精确到每一行。

5. 实战中的注意事项

最后分享几个我踩过的坑：

• 不要在生产环境直接跑分析器：分析器本身会引入额外开销，结果可能失真。我一般先在测试环境复现问题，再进行分析。
• 注意分析器的开销：cProfile会让程序变慢2-10倍，line_profiler更慢。所以只分析关键部分，不要全量分析。
• 多次运行取平均值：单次运行结果受系统负载影响很大。我习惯跑3-5次，取中位数。
• 结合代码逻辑分析：工具只能告诉你「哪里慢」，但「为什么慢」需要你自己思考。比如某个函数慢，可能是因为算法复杂度高，也可能是因为I/O阻塞。