كيف تقوم بتحسين وتعريف أداء Python؟

Question

Accepted Answer

يبدأ تحسين Python بـ **تعريف الأداء للعثور على الاختناق الحقيقي** — لا تخمن أبداً. طبيعة Python المفسَّرة والديناميكية تجعلها أبطأ من اللغات المترجمة، لذا يركز التحسين على خوارزميات أفضل والاستفادة من المكتبات المدعومة بـ C، وتقليل حمل المُفسِّر في المسارات الساخنة.

## ابدأ بالتعريف

```python
import cProfile
cProfile.run("my_function()")   # shows time spent per function call

# line-level profiling (third-party)
# pip install line_profiler → @profile decorator → kernprof -l -v script.py
```

```bash
python -m cProfile -s cumtime script.py   # sort by cumulative time → find hotspots
```

يكشف التعريف *أين* تذهب الوقت فعلاً، لذا تحسِّن 20% من الكود الذي يهم — وليس تخمينات عشوائية.

## أكبر فوز: خوارزميات وهياكل بيانات أفضل

```python
# ❌ O(n) membership test in a list — slow for large data
if item in my_list: ...          # scans every element

# ✅ O(1) membership test in a set/dict
if item in my_set: ...           # hash lookup — dramatically faster at scale
```

التحسينات الخوارزمية (هيكل البيانات الصحيح، تجنب أنماط O(n²)) عادة ما تفوق التحسينات الدقيقة — البحث في مجموعة مقابل مسح القائمة يمكن أن يكون أسرع بأوامر من الحجم.

## استخدم المكتبات المدعومة بـ C للعمل الرقمي الثقيل

```python
# ❌ pure-Python loop over millions of numbers — slow (interpreter overhead per element)
result = [x * 2 for x in big_list]

# ✅ NumPy does it in optimized C, vectorized — far faster
import numpy as np
result = np.array(big_list) * 2
```

للعمل الرقمي/البيانات، تعمل المكتبات مثل **NumPy/pandas** على الحلقات الثقيلة في C (تحرير GIL)، متفوقة بكثير على حلقات Python النقية.

## تقنيات تحسين أخرى

```text
✓ Caching/memoization: @functools.lru_cache for repeated expensive calls
✓ Use built-ins (sum, map, sorted) — implemented in C, faster than manual loops
✓ Use generators for large data (avoid building huge lists in memory)
✓ Use local variables in hot loops (local lookup is faster than global/attribute)
✓ Use __slots__ to reduce per-object memory for many instances
✓ For CPU parallelism: multiprocessing (bypass the GIL)
✓ Last resort: rewrite hotspots in C / Cython / Rust (PyO3), or try PyPy
```

## مثال التخزين المؤقت

```python
from functools import lru_cache

@lru_cache(maxsize=None)
def fib(n):
    return n if n < 2 else fib(n-1) + fib(n-2)   # memoized → exponential becomes linear
```

## لا تحسِّن مبكراً

```text
"Premature optimization is the root of all evil." Write clear code first,
profile to find real bottlenecks, then optimize those specifically.
```

## لماذا يهم

بطء Python النسبي يجعل الوعي بالأداء قيماً، لكن التحسين الفعال هو **منظم**: عرِّف أولاً (cProfile/line_profiler) للعثور على الاختناق الحقيقي، ثم طبق الإصلاح الأعلى فائدة — عادة ما يكون خوارزمية/هيكل بيانات أفضل (O(n) → O(1) lookups)، مكتبات مدعومة بـ C (NumPy/pandas) للعمل الرقمي، التخزين المؤقت للحسابات المتكررة، والدوال المدمجة/المولدات للكفاءة.

معرفة هذه التقنيات — ومبدأ القياس قبل التحسين بدلاً من التخمين أو التحسين الدقيق المبكر — هو ما يسمح لك بجعل Python سريعة كافية حيث تهم مع الحفاظ على الكود واضح في كل مكان آخر.