Python performansını nasıl profil eder ve optimize edersiniz?

Question

Accepted Answer

Python optimizasyonu **gerçek darboğazı bulmak için profilleme ile başlar** — asla tahminde bulunmayın. Python'un yorumlanır, dinamik yapısı onu derlenmiş dillerden daha yavaş kılar, bu nedenle optimizasyon daha iyi algoritmalar, C-destekli kütüphaneler ve sıcak yollardaki yorumlayıcı yükünün azaltılmasına odaklanır.

## Önce profil oluşturun

```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
```

Profilleme zamanın gerçekte *nereye* gittiğini gösterir, böylece önemli olan kod %20'sini optimize edersiniz — rastgele tahminde bulunmaz.

## En büyük kazanç: daha iyi algoritmalar ve veri yapıları

```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
```

Algoritmaik iyileştirmeler (doğru veri yapısı, O(n²) örüntülerini önlemek) genellikle mikro-optimizasyonları çok aşar — bir set araması versus bir liste taraması kat kat daha hızlı olabilir.

## Ağır sayısal çalışmalar için C-destekli kütüphaneleri kullanın

```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
```

Sayısal/veri çalışması için **NumPy/pandas** gibi kütüphaneler ağır döngüleri C'de çalıştırır (GIL'i serbest bırakarak), saf Python döngülerinden çok daha iyi performans sağlar.

## Diğer optimizasyon teknikleri

```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
```

## Önbellekleme örneği

```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
```

## Erken optimize etmeyin

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

## Neden önemli

Python'un göreceli yavaşlığı performans farkındalığını değerli kılar, ancak etkili optimizasyon **disiplinlidir**: gerçek darboğazı bulmak için profil oluşturun (cProfile/line_profiler), ardından en yüksek etkili düzeltmeyi uygulayın — genellikle daha iyi bir algoritma/veri yapısı (O(n) → O(1) aramaları), sayısal çalışma için C-destekli kütüphaneler (NumPy/pandas), tekrarlanan hesaplama için önbellekleme ve verimlilik için yerleşik işlevler/üreteçler.

Bu teknikleri bilmek — ve tahmin etme veya erken mikro-optimize etme yerine ölçme ilkesini — Python'u önemli olduğu yerlerde yeterince hızlı yaparken kodu başka yerlerde net tutmanızı sağlar.