Jak profilujesz i optymalizujesz wydajność Pythona?

Question

Accepted Answer

Optymalizacja w Pythonie zaczyna się od **profilowania, aby znaleźć rzeczywiste wąskie gardło** — nigdy nie zgaduj. Python jest interpretowany i dynamiczny, co czyni go wolniejszym niż języki kompilowane, dlatego optymalizacja skupia się na lepszych algorytmach, wykorzystaniu bibliotek wspieranego przez C i zmniejszeniu narzutu interpretera w ścieżkach krytycznych.

## Najpierw profiluj

```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
```

Profilowanie ujawnia *gdzie* faktycznie spędzany jest czas, dzięki czemu optymalizujesz 20% kodu, który się liczy — nie losowe zgadywanie.

## Największa wygrana: lepsze algorytmy i struktury danych

```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
```

Ulepszenia algorytmiczne (właściwa struktura danych, unikanie wzorów O(n²)) zwykle przewyższają mikro-optymalizacje — wyszukiwanie w zbiorze w porównaniu ze skanowaniem listy może być wielokrotnie szybsze.

## Używaj bibliotek wspieranego przez C do ciężkiej pracy numerycznej

```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
```

Do pracy numerycznej/danych biblioteki takie jak **NumPy/pandas** uruchamiają ciężkie pętle w C (uwalniając GIL), znacznie przewyższając czyste pętle Pythona.

## Inne techniki optymalizacji

```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
```

## Przykład cachowania

```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
```

## Nie optymalizuj przedwcześnie

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

## Dlaczego to ważne

Relacyjna wolność Pythona czyni świadomość wydajności cenną, ale efektywna optymalizacja jest **zdyscyplinowana**: najpierw profiluj (cProfile/line_profiler), aby znaleźć rzeczywiste wąskie gardło, następnie zastosuj naprawę o największym wpływie — zwykle lepszy algorytm/strukturę danych (wyszukiwania O(n) → O(1)), biblioteki wspieranego przez C (NumPy/pandas) do pracy numerycznej, cachowanie dla powtarzających się obliczeń i wbudowane funkcje/generatory dla wydajności.

Znajomość tych technik — i zasady pomiaru przed optymalizacją zamiast zgadywania lub przedwczesnej mikro-optymalizacji — to właśnie pozwala Ci uczynić Pythona wystarczająco szybkim, gdzie się liczy, utrzymując kod jasny wszędzie indziej.