Kaip profiluoti ir optimizuoti Python našumą?

Question

Accepted Answer

Python optimizavimas prasideda **profiliavimu, siekiant rasti tikrąjį siaurą vietą** — niekada negrįšime nuspėlimu. Python interpretuojama, dinaminės prigimties dėl to, ji lėtesnė nei kompilijuojamos kalbos, todėl optimizavimas daugiausia orientuotas į geresnius algoritmus, C-paremtas bibliotekas ir aiškintuvo papildomų išlaidų mažinimą karščiausiuose keliuose.

## Pirmiausia profiluokite

```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
```

Profiliavimu nustatoma *kur* iš tiesų skaidomas laikas, todėl jūs optimizuojate 20% kodo, kuris iš tiesų svarbus — ne atsitiktinės spėlionės.

## Didžiausias pergalingas: geresni algoritmai ir duomenų struktūros

```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
```

Algoritminiai patobulinami (teisinga duomenų struktūra, O(n²) šablonų vengimas) paprastai gerokai pranašesni nei smulkūs optimizavimai — aibės paieška prieš sąrašo nuskenavimą gali būti negraudžiai greitesnė.

## Naudokite C-pagrindines bibliotekas sunkiai skaitinei darbui

```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
```

Skaitiniam/duomenų darbui, bibliotekos kaip **NumPy/pandas** vykdo sunkias kilpas C-je (atleidžiant GIL), žymiai pranašesnės nei grynai Python kilpos.

## Kiti optimizavimo metodai

```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
```

## Talpinimo pavyzdys

```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
```

## Neskubėkite su optimizavimu

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

## Kodėl tai svarbu

Python santykinis lėtumas daro veiklos sąmoningumą verte, bet veiksminga optimizacija yra **drausmingas**: pirmiausia profiluokite (cProfile/line_profiler), kad rastumėte tikrąjį siaurą vietą, tada taikykite didžiausią efektą — paprastai geresnį algoritmą/duomenų struktūrą (O(n) → O(1) paieškos), C-pagrindines bibliotekas (NumPy/pandas) skaitiniam darbui, talpinimą kartotinam skaičiavimui ir built-in/generatorius efektyvumui.

Žinojimas šių metodų — ir principas matuoti prieš optimizavimą, o ne spėlioti ar per anksti smulkiai optimizuoti — tai leidžia jums padaryti Python pakankamai greitą ten, kur tai svarbu, o kodą palikti aiškų visur.