直接看cprofile中sorted、list.sort、__lt__的tottime占比；若调用次数上万且单次不长，多因循环内重复排序或key函数含io/重复计算。
怎么快速判断是不是 sorted() 或 list.sort() 拖慢了程序
直接看耗时占比最有效。用 cProfile 跑一次，重点盯 sorted、list.sort、__lt__ 这几行的累计时间（tottime）。如果单次调用不长但调用次数上万，问题往往出在循环里反复排序——比如在 for 循环里对同一份数据反复调用 sorted(data)。
常见错误现象：
- CPU 占用高，但没明显 I/O 或网络等待
- 数据量从 1 万增到 10 万，耗时暴涨 100 倍（疑似 O(n²) 行为）
- 日志里发现某函数被调用几万次，而它内部含 sorted()
- 先用
python -m cProfile -s tottime your_script.py快速定位热点 - 确认是否真在排序：有些“排序感”强的操作其实是
heapq.nlargest()或字典推导，别一概归给sorted - 注意装饰器或 ORM 查询链里隐式触发的排序，比如 Django 的
.order_by()后接 Python 端二次处理
key 函数写错导致性能雪崩的典型表现
Python 排序本身是 Timsort，稳定且高效，但 key 函数一旦涉及重复计算、IO 或深拷贝，就会把 O(n log n) 拉成 O(n² log n)。最典型的是在 key 里查数据库、读文件、或每次调用都新建大对象。
使用场景举例：
- 按文件修改时间排序：sorted(files, key=os.path.getmtime) —— 看似简洁，实则每比对一次就触发一次系统调用
- 按模型字段排序：sorted(items, key=lambda x: x.expensive_method()) —— 方法内部有缓存缺失或 DB 查询
- 把
key计算提到排序前：用[(key_func(x), x) for x in data]预计算，再排序，最后解包 - 加缓存：对纯函数用
@lru_cache，但注意参数不能含不可哈希对象（如 dict、list） - 避免在
key里做字符串切片 + 正则匹配：正则编译应提至外层，切片尽量用str.startswith()这类常数操作
小数据量下 sorted() 和 list.sort() 的开销差异容易被忽略
两者算法一致，但 sorted() 必须新建列表，分配内存 + 复制引用；list.sort() 是原地操作。当列表元素是大对象（如 Pandas DataFrame、嵌套 dict），复制开销会明显——不是 CPU 时间，而是内存带宽和 GC 压力。
性能影响：
- sorted(big_list) 在 10 万条、每条 1KB 的数据上，额外内存占用 ≈ 100MB
- 若后续立刻丢弃原列表，却仍用 sorted()，纯属浪费
- 能原地改就用
list.sort()，尤其在 pipeline 中间步骤 - 若需保留原顺序，考虑是否真要完整副本：有时只需索引排序（
numpy.argsort()或range(len(data))配key） - 对只读场景，用生成器表达式 +
heapq替代全量排序（如取 Top-K）
自定义类排序时 __lt__ 实现不当引发的隐形卡顿
Python 3+ 排序只依赖 __lt__（小于比较），但很多人写成调用其他方法或重复解析字段，导致每次比较都做冗余工作。更隐蔽的是，如果 __lt__ 返回 NotImplemented 或抛异常，Python 会退回到反射调用，性能断崖下跌。
功能列表：底层程序与前台页面分离的效果，对页面的修改无需改动任何程序代码。完善的标签系统，支持自定义标签，公用标签，快捷标签，动态标签，静态标签等等，支持标签内的vbs语法，原则上运用这些标签可以制作出任何想要的页面效果。兼容原来的栏目系统，可以很方便的插入一个栏目或者一个栏目组到页面的任何位置。底层模版解析程序具有非常高的效率，稳定性和容错性，即使模版中有错误的标签也不会影响页面的显示。所有的标
立即学习“Python免费学习笔记（深入）”；
错误示例：def __lt__(self, other): return self.to_dict()['score'] —— 每次比对都序列化两次
-
__lt__内必须是轻量、无副作用的属性访问，比如self._score - 确保所有参与排序的实例都已预计算好比较所需字段，不要懒加载
- 测试是否真的走
__lt__：临时在方法里加print("hit")，看输出频次是否符合预期（n log n 级别，不是 n²）
复杂点在于：排序瓶颈常常不在算法本身，而在你没意识到的上下文——比如 key 函数里一次数据库查询，在 10 万次比较中被调用了 10 万次。盯着函数调用频次，比盯着算法复杂度更管用。
