Ubuntu下优化Python性能的系统性方法
优化前需精准识别性能瓶颈，避免盲目修改。常用工具包括：
python -m cProfile -o output.prof your_script.py运行，再用snakeviz output.prof可视化分析。pip install line_profiler，通过@profile装饰器标记目标函数，用kernprof -l -v your_script.py运行。@profile装饰器标记函数，生成内存占用报告。sudo apt update && sudo apt install pypy3，直接运行脚本pypy3 your_script.py即可。@jit(nopython=True)装饰器将Python函数编译为机器码，特别适合数组运算（如NumPy操作）。map()、filter()）和标准库（如collections.deque替代列表实现队列），其底层由C实现，性能更优。(x*x for x in range(1000))）替代列表推导式，节省内存（生成器按需生成值，不一次性加载全部数据）。''.join(list)替代+连接字符串（+会生成多个临时字符串对象），提升拼接效率。multiprocessing.Pool创建进程池，充分利用多核CPU。示例：with Pool(4) as p: results = p.map(square, range(1000))。threading.Thread创建线程，避免GIL（全局解释器锁）限制。asyncio库实现协程，提升吞吐量。示例：async def fetch(url): ...; await asyncio.gather(*tasks)。.pyx文件（如sum_of_squares.pyx），创建setup.py（from setuptools import setup; from Cython.Build import cythonize; setup(ext_modules=cythonize("sum_of_squares.pyx"))），运行python setup.py build_ext --inplace生成.so文件，再导入使用。example.c），通过gcc编译为.so文件，用ctypes或cffi调用。适合性能关键的核心逻辑。ndarray）和数学函数，比纯Python列表快数十倍。示例：np.sum(np.arange(n)**2)替代sum(i*i for i in range(n))。DataFrame等高效数据结构，优化了数据筛选、聚合等操作。SciPy（科学计算）、TensorFlow/PyTorch（深度学习），均针对特定场景进行了性能优化。arr.view(np.int32)），减少内存占用。gc模块手动控制垃圾回收（如gc.disable()临时关闭，处理完大批量数据后再开启），减少GC带来的停顿。sudo swapon -s查看，sudo fallocate -l 2G /swapfile创建）。functools.lru_cache装饰器缓存（如斐波那契数列@lru_cache(maxsize=None)），避免重复计算。per-interpreter GIL提升多线程性能），确保使用最新稳定版。venv或virtualenv创建隔离环境，避免全局包冲突，同时便于管理依赖版本（如指定numpy==1.24.0）。def add(a: int, b: int) -> int:），配合mypy进行静态类型检查，提前发现潜在的性能问题（如错误的类型转换）。