Jak profilujete a optimalizujete výkon Pythonu?

Question

Accepted Answer

Optimalizace Pythonu začíná **profilováním k nalezení skutečného úzkého místa** — nikdy neodhadujte. Interpretovaná a dynamická povaha Pythonu jej činí pomalejším než kompilované jazyky, takže se optimalizace zaměřuje na lepší algoritmy, využívání knihoven s podporou C a snížení režie interpretu v kritických místech.

## Nejdřív profilujte

```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
```

Profilování odhaluje *kam* čas opravdu jde, takže optimalizujete těch 20 % kódu, který má smysl — nikoliv náhodné domněnky.

## Největší výhra: lepší algoritmy a datové struktury

```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
```

Algoritmusická vylepšení (správná datová struktura, vyhýbání se vzorům O(n²)) obvykle převyšují mikro-optimalizace — vyhledávání v množině versus skenování seznamu může být řádově rychlejší.

## Používejte knihovny s podporou C pro těžkou numerickou práci

```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
```

Pro numerickou/datovou práci knihovny jako **NumPy/pandas** spouštějí těžké smyčky v C (uvolňují GIL), což je podstatně lepší než čisté Python smyčky.

## Další optimalizační techniky

```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
```

## Příklad cachování

```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
```

## Neoptimalizujte předčasně

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

## Proč to je důležité

Relativní pomalost Pythonu činí povědomí o výkonu cennými, ale efektivní optimalizace je **disciplinovaná**: nejdřív profilujte (cProfile/line_profiler) k nalezení skutečného úzkého místa, poté aplikujte opravy s nejvyšší pákou — obvykle lepší algoritmus/datová struktura (O(n) → O(1) vyhledávání), knihovny s podporou C (NumPy/pandas) pro numerickou práci, cachování pro opakovaný výpočet a vestavěné funkce/generátory pro efektivitu.

Znalost těchto technik — a princip měřit před optimalizací místo hádání nebo předčasné mikro-optimalizace — je to, co vám umožňuje učinit Python dostatečně rychlý tam, kde to záleží, a zároveň udržet kód jasný všude jinde.