Python性能优化技巧与实战教程

本文深入剖析了Python性能测试中极易被忽视的关键陷阱与科学实践方法，强调必须摒弃粗糙的time.time()计时方式，转而系统性地运用timeit模块——通过自动多次执行、禁用垃圾回收、隔离作用域、预热输入、控制状态一致性，并借助repeat()获取稳定分布后取最小值，才能真正逼近代码的真实CPU性能下界；同时警示读者警惕IO干扰、变量捕获错误、冷启动开销及环境噪声，唯有严谨把控每一个测量细节，才能让性能数据经得起推敲，而非沦为被系统“呼吸节奏”扭曲的幻觉。

用 timeit 测单行代码，别用 time.time()

直接拿 time.time() 做差值，误差常达毫秒级，尤其在函数执行快于 1ms 时，结果基本不可信。这是因为系统调度、CPU 频率波动、其他进程干扰都会污染测量。

正确做法是用标准库的 timeit——它自动重复多次、禁用 GC、绕过解释器启动开销，并返回最稳定的若干次中的最小值（更接近真实下界）。

• timeit.timeit('x ** 2', number=1000000)：适合单表达式，字符串形式传入
• timeit.timeit(lambda: x**2, number=1000000)：适合带变量或复杂逻辑，避免字符串拼接风险
• 别在 timeit 中测 IO、网络、随机数生成——这些本身抖动大，测出来不是 CPU 性能，是系统行为

测函数性能必须控制变量作用域

timeit 默认在独立命名空间里执行，你定义的函数或变量如果没显式传进去，会报 NameError；而硬塞进字符串又容易引发作用域混乱或变量捕获错误。

常见翻车点：写 timeit.timeit('my_func(42)', number=10000) 却忘了 my_func 不在 timeit 的作用域里。

• 用 setup 参数导入： timeit.timeit('my_func(42)', setup='from __main__ import my_func', number=10000)
• 更稳的方式是用 globals()： timeit.timeit(lambda: my_func(42), globals=globals(), number=10000)
• 如果函数依赖外部状态（如全局 dict），务必确认每次运行前状态一致，否则基准失真

别信单次 timeit 结果，看分布和最小值

Python 的内存分配、JIT（如 PyPy）、CPU 睿频、后台 GC 都会导致单次测量偏差。一次跑出 “A 比 B 快 15%” 很可能只是噪声。

timeit.repeat() 才是生产级姿势：它执行多轮完整测试（每轮内重复 number 次），返回每轮耗时列表，你可以观察波动范围。

• timeit.repeat('a + b', setup='a="x"*100; b="y"*100', number=100000, repeat=5) 返回类似 [0.012, 0.014, 0.011, 0.015, 0.012]
• 取最小值（min()）比均值更可靠——它避开 GC 尖峰、缓存未命中等偶然拖慢
• 若五次结果方差 > 10%，说明环境不干净（比如开了浏览器+IDE+Docker），换台机器再试

对比不同实现时，确保输入完全一致且预热充分

有人测 list.append() vs deque.append()，但一边用空 list，另一边用已填充 1000 项的 deque——这根本不是比 API，是在比内存布局。

还有人忽略“首次调用开销”：CPython 的某些内置函数（如 json.loads）第一次运行会触发模块加载和字节码编译，后续才稳定。

• 所有被测函数，输入数据对象必须每次新建或重置，不能复用同一对象引用
• 对可能有冷启动成本的函数，先单独调用一次“预热”，再开始计时（但预热本身不计入 number）
• 如果测的是算法复杂度，至少换 3 个数量级输入（如 n=100/1000/10000）看趋势，别只盯一个数字

真正难的从来不是跑出一个数字，而是让这个数字不被 Python 自身的呼吸节奏带偏。变量作用域、内存状态、CPU 调度——它们不声不响，但每一步都在悄悄改写你的结果。

理论要掌握，实操不能落！以上关于《Python性能优化技巧与实战教程》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！