先用cprofile和snakeviz定位性能瓶颈，再针对性优化：字符串拼接用join、查找用set、小数据不用numpy、减少全局变量访问；计算密集型用numpy/多进程/cython，i/o密集型用asyncio/线程，善用lru_cache缓存。
Python代码跑得慢，别急着重写，先搞清楚瓶颈在哪。性能问题90%出在不该用Python的地方，或者用了低效写法，而不是语言本身慢。
先定位：别猜，用工具看哪里卡
盲目优化等于浪费时间。Python自带cProfile就能快速抓出耗时大户：
- 加一行
python -m cProfile -s cumulative your_script.py，按累计时间排序，一眼看到哪几个函数吃掉最多CPU - 配合
snakeviz（pip install snakeviz）可视化：python -m cProfile -o profile.out your_script.py && snakeviz profile.out，生成交互式火焰图，调用链和耗时分布一目了然 - 内存不是瓶颈？也别忽略——用
memory_profiler查谁在疯狂分配对象：@profile装饰函数，再运行python -m memory_profiler your_script.py
常见拖慢元凶：这些写法看着简单，其实很贵
很多“Pythonic”写法在数据量大时反而成负担：
-
循环里拼字符串：用
''.join(list_of_str)代替s += 'x'，后者每次创建新对象，O(n²)变O(n) -
反复查列表/字符串：用
if x in set_x:代替if x in list_x:，查找从O(n)降到O(1) -
小数据用NumPy/Pandas反而是累赘：几十个数就别上DataFrame，纯Python列表+内置函数（
sum()、max()）更快 - 全局变量读写频繁：函数内多用局部变量，避免每次访问都查全局命名空间
该提速时就提速：不硬扛，借力更高效
真遇到计算密集型任务，别死守纯Python：
立即学习“Python免费学习笔记（深入）”；
- 数值计算优先用
NumPy向量化，比for循环快几十到几百倍；矩阵运算直接上SciPy - I/O密集？用
asyncio或concurrent.futures并行，但注意GIL限制——CPU密集型选multiprocessing，I/O密集型选threading或asyncio - 关键路径函数太慢？用
Cython或numba.jit编译加速，几行装饰器就能让循环飞起来 - 重复计算？加
@functools.lru_cache()缓存结果，尤其适合递归或参数有限的函数
别忘底层：有时候慢跟代码无关
环境和依赖也可能拖后腿：
- 确认用的是CPython最新稳定版（如3.11+），新版对字节码和解释器做了不少优化
- 检查是否启用了调试模式（
python -O或-OO可去掉assert和文档字符串，小幅提速） - 第三方库版本老旧？比如旧版
requests或SQLAlchemy可能有已知性能缺陷，升级常有惊喜 - 磁盘IO慢？把日志级别调高（比如从DEBUG改成INFO），减少不必要的文件写入
不复杂但容易忽略。找准瓶颈，改对地方，Python照样能跑得又稳又快。
