آپ Python performance کو کیسے profile اور optimize کرتے ہیں؟

Question

Accepted Answer

Python کو optimize کرنا **اصل bottleneck تلاش کرنے کے لیے profiling** سے شروع ہوتا ہے — کبھی اندازہ نہیں لگانا۔ Python کی interpreted، dynamic فطرت اسے compiled languages کی نسبت سست بناتی ہے، اس لیے optimization بہتر algorithms، C-backed libraries سے فائدہ اٹھانے، اور hot paths میں interpreter overhead کم کرنے پر مرکوز ہوتا ہے۔

## پہلے profile کریں

```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
```

Profiling ظاہر کرتی ہے کہ وقت *کہاں* جاتا ہے، تاکہ آپ code کے ان 20% کو optimize کریں جو اہمیت رکھتے ہیں — نہ کہ اندازوں کو۔

## سب سے بڑی کامیابی: بہتر algorithms اور data structures

```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
```

Algorithmic بہتری (صحیح data structure، O(n²) patterns سے بچنا) عموماً micro-optimizations پر حاوی ہوتی ہے — set lookup بمقابلہ list scan بڑے پیمانے پر کئی گنا تیز ہو سکتا ہے۔

## بھاری numeric کام کے لیے C-backed libraries استعمال کریں

```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
```

numeric/data کام کے لیے، **NumPy/pandas** جیسی libraries بھاری loops کو C میں چلاتی ہیں (GIL release کرتے ہوئے)، جو pure-Python loops سے کہیں بہتر کارکردگی دیتی ہیں۔

## دیگر optimization تکنیکیں

```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 مثال

```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
```

## وقت سے پہلے optimize نہ کریں

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

## یہ کیوں اہم ہے

Python کی نسبتاً سستی performance کے بارے میں آگاہی کو قیمتی بناتی ہے، لیکن مؤثر optimization **منظم** ہوتی ہے: پہلے profile کریں (cProfile/line_profiler) تاکہ اصل bottleneck تلاش ہو، پھر سب سے زیادہ فائدہ مند حل لاگو کریں — عموماً ایک بہتر algorithm/data structure (O(n) → O(1) lookups)، numeric کام کے لیے C-backed libraries (NumPy/pandas)، دہرائی جانے والی computation کے لیے caching، اور efficiency کے لیے built-ins/generators۔

ان تکنیکوں — اور اندازہ لگانے یا وقت سے پہلے micro-optimize کرنے کے بجائے optimize کرنے سے پہلے ماپنے کے اصول — کو جاننا ہی وہ چیز ہے جو آپ کو Python کو وہاں کافی تیز بنانے دیتی ہے جہاں اہمیت رکھتا ہو جبکہ ہر جگہ code کو واضح رکھتی ہے۔