Hvordan profilerer og optimerer du Python-ydeevne?

Question

Accepted Answer

Optimering af Python starter med **profilering for at finde det rigtige flaskehals** — gæt aldrig. Pythons fortolkede, dynamiske natur gør det langsommere end kompilerede sprog, så optimering fokuserer på bedre algoritmer, udnyttelse af C-bakede biblioteker og reducering af fortolkeroverhovedet i varme steder.

## Profiler først

```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
```

Profilering afslører *hvor* tiden faktisk går, så du optimerer de 20% af koden der betyder noget — ikke tilfældig gætteri.

## Den største gevinst: bedre algoritmer og datastrukturer

```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
```

Algoritmiske forbedringer (rigtig datastruktur, undgå O(n²)-mønstre) dværger sædvanligvis mikro-optimeringer — et setsøgning vs. et listescan kan være størrelsesordner hurtigere.

## Brug C-bakede biblioteker til tungt numerisk arbejde

```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
```

Til numerisk/data-arbejde køres biblioteker som **NumPy/pandas** de tunge løkker i C (frigiver GIL), hvilket er langt hurtigere end rene Python-løkker.

## Andre optimeringstekniker

```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
```

## Caching-eksempel

```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
```

## Optimer ikke for tidligt

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

## Hvorfor det er vigtigt

Pythons relative langsomhed gør ydeevne-bevidsthed værdifuld, men effektiv optimering er **disciplineret**: profiler først (cProfile/line_profiler) for at finde det rigtige flaskehals, anvend derefter optimeringen med højeste gearing — normalt en bedre algoritme/datastruktur (O(n) → O(1)-opslag), C-bakede biblioteker (NumPy/pandas) til numerisk arbejde, caching for gentagen beregning og indbyggede/generatorer for effektivitet.

At kende disse teknikker — og princippet om at måle før optimering i stedet for at gætte eller for tidligt mikro-optimere — er hvad der giver dig mulighed for at gøre Python hurtig nok hvor det betyder noget, mens du holder koden klar alle andre steder.