Python编程实战：从 timeit 到 cProfile，一次搞懂代码为什么慢

当你写 Python 写得越来越多，就会突然发现------有些代码运行得慢得离谱，但自己却不知道"慢"到底发生在哪一步。这时你就需要真正的性能分析工具上场了，而不是继续凭感觉优化。

本篇我们一起搞定两大核心工具：

timeit：测函数执行时间
cProfile：分析整段程序的性能瓶颈

最后我会给你一个完整的优化示例，让性能提升看得见。

1. 为什么代码会慢？

Python 是解释型语言，灵活但速度不是强项。代码变慢常见原因包括：

不必要的循环
低效的数据结构
重复计算
IO 阻塞（文件/网络）
第三方库使用不当

搞清楚瓶颈在哪里，是所有优化的起点。

2. 用 timeit 测局部性能：谁更快，一测便知

timeit 是个轻量级工具，非常适合比较小片段代码的速度。

例如：列表推导 vs for 循环，谁更快？

示例：用 timeit 测试代码片段

python 复制代码

import timeit

# 列表推导
expr1 = "[i*i for i in range(1000)]"
# 普通循环
expr2 = """
result = []
for i in range(1000):
    result.append(i*i)
"""

t1 = timeit.timeit(expr1, number=10000)
t2 = timeit.timeit(expr2, number=10000)

print("列表推导:", t1)
print("for 循环:", t2)

输出示例（依据电脑不同会变化）

makefile 复制代码

列表推导: 0.32
for 循环: 0.45

你一下就看出列表推导更快。这就是 timeit 的价值： 用数字说话，而不是猜测。

3. 用 cProfile 查整段程序的瓶颈：慢在哪，一清二楚

当你不确定慢的是哪部分时，就用 cProfile。

它会告诉你：

每个函数调用几次
每次耗时多久
总耗时
占比情况

超级适合分析中大型脚本。

示例：一个"看似没问题但其实很慢"的函数

python 复制代码

def slow_func():
    total = 0
    for i in range(10000):
        for j in range(10000):
            total += i + j
    return total

现在我们用 cProfile 分析：

python 复制代码

import cProfile

cProfile.run("slow_func()")

你会看到类似：

bash 复制代码

200000000 function calls in 3.821 seconds
ncalls  tottime  percall  cumtime  function
1       3.821    3.821    3.821    slow_func

一下就能看出： 问题全在 slow_func 本身，特别是双层循环。

4. 更清晰的结果？用 pstats 或 SnakeViz 可视化

默认输出较难读，你可以这样格式化：

python 复制代码

import cProfile
import pstats

with cProfile.Profile() as pr:
    slow_func()

stats = pstats.Stats(pr)
stats.sort_stats(pstats.SortKey.TIME)
stats.print_stats()

如果你想可视化展示（像瀑布图一样），可以安装 SnakeViz：

lua 复制代码

pip install snakeviz
snakeviz output.prof

非常适合技术分享或团队协作。

5. 实战：一步步从 2.5s 优化到 0.01s

假设我们有一个脚本统计每行是否包含某些关键词：

python 复制代码

def check_keywords(lines, keywords):
    result = []
    for line in lines:
        for k in keywords:
            if k in line:
                result.append((line, k))
    return result

分析：

双层循环
多次重复"是否包含"检查
关键词过多时会超级慢

现在，我们用 cProfile 跑一下：

python 复制代码

cProfile.run("check_keywords(lines, keywords)")

你会看到绝大多数时间花在：

markdown 复制代码

str.__contains__

因为你对每个 line、每个 keyword 都在做 in 操作。

优化方案：把关键词变成正则 OR 模式

python 复制代码

import re

def fast_check_keywords(lines, keywords):
    pattern = re.compile("|".join(map(re.escape, keywords)))
    result = []
    for line in lines:
        m = pattern.search(line)
        if m:
            result.append((line, m.group()))
    return result

再跑性能测试

从 2.5 秒 → 0.01 秒优化效果巨大。

6. 性能优化原则：永远遵循这三条

① 优化前先量化

不要凭直觉优化永远先用 timeit / cProfile 查看瓶颈。

② 优化数据结构

例如：

列表 → 集合（O(1) 查找）
循环计算 → 内建函数/向量化

③ 避免重复计算

缓存、预编译、提前转换格式，都能救命。

7. 总结

性能优化是 Python 开发者进阶的必备技能。 timeit 解决"小范围速度比较"， cProfile 负责"全局瓶颈定位"。

只要你掌握：

定位
调试
替换更快的数据结构/算法

你就可以让脚本从"能跑"变成"飞快"。