编辑“︁Python 性能监控”︁（章节）

== 监控工具及方法 ==

=== 1. 执行时间测量 ===
使用`time`模块可以简单测量代码块的执行时间：

<syntaxhighlight lang="python">
import time

start_time = time.time()
# 模拟耗时操作
sum(range(1, 1000000))
end_time = time.time()
print(f"执行时间: {end_time - start_time:.4f}秒")
</syntaxhighlight>

'''输出示例：'''
<pre>
执行时间: 0.0453秒
</pre>

=== 2. CPU性能分析（cProfile） ===
`cProfile`模块提供函数级统计，帮助识别CPU密集型瓶颈：

<syntaxhighlight lang="python">
import cProfile

def slow_function():
    return sum(i * i for i in range(100000))

cProfile.run('slow_function()')
</syntaxhighlight>

'''输出示例：'''
<pre>
         4 function calls in 0.012 seconds
   Ordered by: standard name
   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.012    0.012    0.012    0.012 <stdin>:1(slow_function)
        1    0.000    0.000    0.012    0.012 <string>:1(<module>)
</pre>

=== 3. 内存使用分析 ===
使用`memory_profiler`监控函数的内存消耗：

<syntaxhighlight lang="python">
from memory_profiler import profile

@profile
def memory_intensive():
    data = [0] * 10**6
    return sum(data)

memory_intensive()
</syntaxhighlight>

'''输出示例：'''
<pre>
Filename: <stdin>
Line #    Mem usage    Increment  Occurrences  Line Contents
     1     38.1 MiB     38.1 MiB           1   @profile
     2                                         def memory_intensive():
     3     45.7 MiB      7.6 MiB           1       data = [0] * 10**6
     4     45.7 MiB      0.0 MiB           1       return sum(data)
</pre>

=== 4. 对象级内存追踪（tracemalloc） ===
Python内置的`tracemalloc`可追踪内存分配来源：

<syntaxhighlight lang="python">
import tracemalloc

tracemalloc.start()
snapshot1 = tracemalloc.take_snapshot()
data = [0] * 10**6
snapshot2 = tracemalloc.take_snapshot()
stats = snapshot2.compare_to(snapshot1, 'lineno')

for stat in stats[:3]:
    print(stat)
</syntaxhighlight>

'''输出示例：'''
<pre>
<stdin>:4: size=8000064 B (+8000064 B), count=2 (+2), average=4000032 B
</pre>