Kako profilirате i optimizirate Python performanse?

Question

Accepted Answer

Optimizacija Python-a počinje s **profiliranjem kako biste pronašli pravi bottleneck** — nikada ne nagađajte. Priroda Python-a kao interpretiranog, dinamičkog jezika čini ga sporijim od kompajliranih jezika, pa se optimizacija fokusira na bolje algoritme, korištenje biblioteka podržanih C-om, i smanjenje overhead interpretera u vrućim putanjama.

## Prvo profilirajte

```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
```

Profiliranje otkriva *gdje* vrijeme zapravo ide, pa optimizirate onih 20% koda koji je bitan — ne slučajne pretpostavke.

## Najveća pobjeda: bolji algoritmi i strukture podataka

```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
```

Algoritamska poboljšanja (prava struktura podataka, izbjegavanje O(n²) obrazaca) obično nadmašuju mikro-optimizacije — pronalaženje u skupu nasuprot skeniranju popisa može biti višestruko brže.

## Koristite C-podržane biblioteke za teške numeričke radove

```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
```

Za numeričke/podatkovne radove, biblioteke kao **NumPy/pandas** izvršavaju teške petlje u C-u (oslobađajući GIL), daleko bolje performanse od čistih Python petlji.

## Ostale tehnike optimizacije

```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
```

## Primjer cachinga

```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
```

## Nemojte preuranjeno optimizirati

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

## Zašto je to važno

Relativna spornost Python-a čini svjesnost performansi vrijednom, ali je učinkovita optimizacija **disciplinirana**: prvo profilirajte (cProfile/line_profiler) kako biste pronašli pravi bottleneck, zatim primijenite optimizaciju s najvećom polugom — obično bolji algoritam/struktura podataka (O(n) → O(1) pronalaženja), C-podržane biblioteke (NumPy/pandas) za numeričke radove, cachiranje za ponovljene izračune, i ugrađene funkcije/generatore za učinkovitost.

Znati ove tehnike — i princip mjerenja prije optimizacije umjesto nagađanja ili preurane mikro-optimizacije — to je ono što vam omogućava da Python učinite dovoljno brzim gdje je to važno, dok kod ostaje jasan svugdje drugdje.