Python性能分析用cProfile吗

本文目录导读：

1. 为什么推荐 cProfile
2. 基本用法
3. 常用排序方式
4. 可视化分析（进阶）
5. 什么时候不用 cProfile
6. 简单示例

是的，cProfile 是 Python 标准库中推荐的性能分析工具,适用于绝大多数场景。

为什么推荐 cProfile

1. 内置模块：无需额外安装
2. 开销较小：相比 profile（纯 Python 实现），cProfile 是 C 扩展实现，对程序性能影响更小
3. 功能完整：能统计函数调用次数、总耗时、累积耗时等

基本用法

命令行直接运行

python -m cProfile my_script.py

在代码中启用

import cProfile
def main():
    # 你的代码
    pass
if __name__ == '__main__':
    cProfile.run('main()', sort='cumtime')  # 按累积时间排序

保存结果到文件（最常用）

import cProfile
import pstats
# 运行分析并保存
cProfile.run('main()', 'output.prof')
# 读取并分析结果
p = pstats.Stats('output.prof')
p.sort_stats('cumtime').print_stats(20)  # 显示前20行

常用排序方式

p.sort_stats('time')      # 按内部耗时排序
p.sort_stats('cumtime')   # 按累积耗时排序（推荐）
p.sort_stats('calls')     # 按调用次数排序
p.sort_stats('ncalls')    # 同上

可视化分析（进阶）

配合 snakeviz 生成火焰图：

# 安装
pip install snakeviz
# 生成 .prof 文件后再执行
snakeviz output.prof

这样会在浏览器中打开交互式图表,更容易定位性能瓶颈。

什么时候不用 cProfile

• 极短时间的代码（<0.1秒）：cProfile 本身的开销可能影响结果
• 需要行级精度：改用 line_profiler
• 内存分析：改用 memory_profiler

简单示例

import cProfile
def slow_function():
    total = 0
    for i in range(10**6):
        total += i
    return total
def fast_function():
    return sum(range(10**6))
if __name__ == '__main__':
    cProfile.run('slow_function()')
    cProfile.run('fast_function()')

对于大多数 Python 性能分析需求，cProfile + pstats + snakeviz 是标准且高效的方案。