CPU密集型程序的判断依据是CPU使用率持续接近100%且几乎不等待I/O、不阻塞、不频繁让出控制权；可通过top/htop、任务管理器或psutil实时监测，结合代码特征（大量数值计算、无显式等待、GIL影响明显）、time.process_time与perf_counter对比，以及cProfile分析热点函数来综合判定。
看 CPU 使用率是否持续接近 100%（单核或整体），同时观察程序是否几乎不等待 I/O、不阻塞、也不频繁让出控制权——这是最直接的判断依据。
观察运行时的资源占用
代码运行时，用系统工具实时查看 CPU 占用：
- Linux/macOS：终端中运行 top 或 htop，找到你的 Python 进程，看 %CPU 列是否长期稳定在 80%–100%
- Windows：打开任务管理器 → “性能”选项卡 → 查看 CPU 曲线是否持续高位波动，再切换到“详细信息”找 python.exe 的 CPU 占用率
- 更精准可配合 psutil 在代码中采样：psutil.Process().cpu_percent(interval=1) 连续测几次，若稳定 >90%，大概率是 CPU 密集
分析代码行为特征
不依赖工具，从逻辑上快速识别：
- 大量数值计算：如矩阵运算（NumPy 未启用多线程 BLAS）、循环累加/排序/加密哈希、递归求解（斐波那契、DFS 暴力搜索）
- 无显式等待：不含 time.sleep()、requests.get()、open().read()、queue.get() 等 I/O 或同步阻塞调用
- GIL 影响明显：纯 Python 循环（如 for i in range(10**8): total += i）在 CPython 下无法并行提速，多线程几乎不降 CPU 时间
对比执行时间与等待时间
用 time.perf_counter() 和 time.process_time() 分开测量：
立即学习“Python免费学习笔记（深入）”；
- process_time() 只计 CPU 执行时间（不含休眠、I/O 等等待）
- perf_counter() 计真实流逝时间
- 如果两者非常接近（比如差值 perf_counter >> process_time，说明大量时间花在等待上（I/O 密集）
用 cProfile 看热点函数
运行 python -m cProfile -s cumtime your_script.py，重点关注：
- 高 cumtime（累计时间）且 tottime（自身耗时）也高的函数，尤其是纯 Python 函数（非 C 扩展）
- 大量时间消耗在 built-in method 如 sum、sorted、list.append 循环调用中
- 没有长时间停在 select、recv、write 等系统调用上
