Python性能优化关键在精准定位瓶颈并合理选用工具与方法：先用cProfile和line_profiler测量，再通过内置函数、高效数据结构、生成器及NumPy/Cython/PyPy等方案针对性提速。
Python代码执行效率提升，关键不在盲目重写，而在找准瓶颈、用对工具、选对方法。很多性能问题其实出在I/O、数据结构误用或循环冗余上，而非语言本身慢。
定位性能瓶颈：先测量，再优化
不测量就优化，等于蒙眼调参。优先用cProfile看函数耗时分布，配合line_profiler定位具体哪一行拖慢速度。
- 运行
python -m cProfile -s cumulative your_script.py，重点关注cumtime和ncalls - 对可疑函数加
@profile装饰器（需安装line_profiler），直接看到每行执行次数与耗时 - 避免在开发机用小数据集测试——性能拐点常出现在数据量增大后
减少解释器开销：善用内置函数与标准库
Python内置函数（如sum、map、filter）和标准库模块（如
itertools、collections）都是C实现，比纯Python循环快得多。
- 用
list.append()累积结果？考虑改用列表推导式或map() - 频繁查键存在性？用set代替list，O(1) vs O(n)
- 需要计数或默认值？优先用collections.Counter或defaultdict，避免反复
if key in dict
规避常见低效模式
有些写法看似简洁，实则暗藏性能陷阱：
-
字符串拼接不用+：在循环中用
s += 'x'会反复创建新字符串对象；改用list.append()+''.join() -
避免在循环内重复计算：如
for i in range(len(data)):不如for item in data:；若需索引，用enumerate(data) -
生成器优于全量列表：处理大文件或大数据流时，用
yield或itertools.islice按需取值，节省内存也加快启动
必要时引入更快的替代方案
当纯Python已到极限，可平滑过渡到更高效方案，无需重写全部逻辑：
- NumPy：数值计算密集场景，向量化操作比Python循环快数十至百倍
- Cython：给热点函数加类型注解并编译为C扩展，提速明显且兼容原生Python调用
- PyPy：对纯Python脚本（尤其含大量循环/对象操作）有显著加速，通常只需替换解释器即可尝试
