Otimização de Desempenho em Python

Guia completo para perfilagem, análise e otimização de código Python para melhor desempenho, incluindo perfilagem de CPU, otimização de memória e melhores práticas de implementação.

Quando Usar Esta Habilidade

• Identificar gargalos de desempenho em aplicações Python
• Reduzir a latência e os tempos de resposta das aplicações
• Otimizar operações intensivas em CPU
• Reduzir o consumo de memória e vazamentos de memória
• Melhorar o desempenho de consultas a banco de dados
• Otimizar operações de I/O
• Acelerar pipelines de processamento de dados
• Implementar algoritmos de alto desempenho
• Perfilagem de aplicações em produção

Conceitos Principais

1. Tipos de Perfilagem

• Perfilagem de CPU: Identificar funções que consomem tempo
• Perfilagem de Memória: Rastrear alocação de memória e vazamentos
• Perfilagem por Linha: Perfilagem em granularidade linha a linha
• Grafo de Chamadas: Visualizar relacionamentos de chamadas de função

2. Métricas de Desempenho

• Tempo de Execução: Quanto tempo as operações levam
• Uso de Memória: Consumo de pico e médio de memória
• Utilização da CPU: Padrões de uso do processador
• Espera de I/O: Tempo gasto em operações de I/O

3. Estratégias de Otimização

• Algorítmica: Melhores algoritmos e estruturas de dados
• Implementação: Padrões de código mais eficientes
• Paralelização: Multithreading/multiprocessamento
• Cache: Evitar computação redundante
• Extensões Nativas: C/Rust para caminhos críticos

Início Rápido

Cronometragem Básica

import time

def measure_time():
    """Simple timing measurement."""
    start = time.time()

    # Your code here
    result = sum(range(1000000))

    elapsed = time.time() - start
    print(f"Execution time: {elapsed:.4f} seconds")
    return result

# Better: use timeit for accurate measurements
import timeit

execution_time = timeit.timeit(
    "sum(range(1000000))",
    number=100
)
print(f"Average time: {execution_time/100:.6f} seconds")

Padrões Detalhados e Exemplos Práticos

A documentação detalhada de padrões está em references/details.md. Leia este arquivo quando a navegação de nível superior for insuficiente.

Melhores Práticas

1. Perfil antes de otimizar - Meça para encontrar gargalos reais
2. Foque em caminhos quentes - Otimize o código que é executado com mais frequência
3. Use estruturas de dados apropriadas - Dicionário para buscas, conjunto para pertinência
4. Evite otimização prematura - Clareza primeiro, depois otimize
5. Use funções embutidas - Elas são implementadas em C
6. Cacheie computações caras - Use lru_cache
7. Agrupe operações de I/O - Reduza chamadas de sistema
8. Use geradores para grandes conjuntos de dados
9. Considere NumPy para operações numéricas
10. Profile o código de produção - Use py-spy para sistemas em tempo real

Armadilhas Comuns

• Otimizar sem perfilagem
• Usar variáveis globais desnecessariamente
• Não usar estruturas de dados apropriadas
• Criar cópias desnecessárias de dados
• Não usar pooling de conexões para bancos de dados
• Ignorar a complexidade algorítmica
• Otimizar demais caminhos de código raros
• Não considerar o uso de memória