📚 课程目录第1章性能瓶颈诊断

1. 性能瓶颈诊断

说实话，我见过太多团队在特征生成上栽跟头。代码写完了，一跑就是几个小时。大家第一反应往往是「加机器」、「上Spark」。但很多时候，问题根本不在资源上。

你想想看，如果一段代码里有个死循环，或者某个函数被调了上百万次，加再多机器也没用。所以第一步，得先找到「慢在哪」。

1.1 特征生成的常见性能陷阱

我个人习惯把性能问题分成三类。先看个表格，心里有个谱：

类型	典型表现	常见原因
计算密集	CPU 跑满，单核 100%	复杂数学运算、循环内重复计算
I/O 密集	磁盘或网络等待时间长	频繁读写文件、数据库查询过多
内存密集	内存占用高，频繁 GC	大 DataFrame 复制、中间结果未释放

我在项目中遇到过最坑的一次：一个特征生成脚本跑了 6 小时。用工具一看，90% 的时间花在 Pandas 的 apply 函数上。说白了，就是逐行调用了 Python 原生函数，每次调用都有巨大的开销。

⚠️ 避坑指南： 我曾经以为「能跑就行」，结果上线前发现特征生成要 8 小时。记住：性能问题越早发现，改造成本越低。

1.2 用 cProfile 快速定位热点

cProfile 是 Python 自带的性能分析器。它不挑环境，装上就能用。我一般用它做第一轮扫描，看看全局的耗时分布。

用法很简单，两种方式：

方式一：命令行直接跑

python -m cProfile -o output.prof my_feature_gen.py

方式二：代码里嵌入

import cProfile

profiler = cProfile.Profile()
profiler.enable()

# 你的特征生成逻辑
generate_features(df)

profiler.disable()
profiler.dump_stats('feature_gen.prof')

跑完之后，你会得到一个 .prof 文件。怎么读？我推荐用 pstats 模块：

import pstats
p = pstats.Stats('feature_gen.prof')
p.sort_stats('cumtime').print_stats(20)  # 看累计耗时前20

输出长这样：

ncalls  tottime  percall  cumtime  percall  filename:lineno(function)
  5000    0.002    0.000   45.321    0.009  feature_gen.py:42(compute_rolling)
     1    0.001    0.001   30.123   30.123  feature_gen.py:10(generate_all)
 10000    0.015    0.000   20.456    0.002  feature_gen.py:78(apply_transform)

看到没？compute_rolling 函数只被调了 5000 次，但累计耗时 45 秒。这就是热点。

💡 我的习惯： 先看 cumtime（累计时间），再看 ncalls（调用次数）。如果调用次数少但累计时间长，说明函数本身慢；如果调用次数多，说明循环结构有问题。

1.3 用 line_profiler 逐行分析

cProfile 能告诉你哪个函数慢，但说不清「函数里哪一行慢」。这时候就得请出 line_profiler 了。

安装：

pip install line_profiler

使用方式是在目标函数上加 @profile 装饰器：

@profile
def compute_rolling(df, window=10):
    result = []
    for i in range(len(df)):
        # 这行可能很慢
        window_data = df.iloc[max(0, i-window):i+1]
        # 这行也可能很慢
        result.append(window_data.mean())
    return result

然后运行：

kernprof -l -v my_feature_gen.py

输出会精确到每一行：

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
     5                                           @profile
     6                                           def compute_rolling(df, window=10):
     7         1          2.0      2.0      0.0      result = []
     8      5000       1500.0      0.3      0.1      for i in range(len(df)):
     9      5000     450000.0     90.0     45.0          window_data = df.iloc[max(0, i-window):i+1]
    10      5000     550000.0    110.0     55.0          result.append(window_data.mean())
    11         1          1.0      1.0      0.0      return result

看到了吗？第 9 行和第 10 行占了 99% 的时间。每次循环都在做 iloc 切片和 mean 计算，这就是性能杀手。

🔍 关键发现： 这个例子中，iloc 每次都会复制数据，导致 O(n²) 的时间复杂度。优化方向应该是用滑动窗口算法，把复杂度降到 O(n)。

1.4 两张工具怎么配合？

我一般这么用：

先用 cProfile 扫全局，找出最耗时的 3-5 个函数。
再用 line_profiler 盯细节，对热点函数逐行分析。
最后结合代码逻辑，判断是算法问题还是实现问题。

举个例子。有一次我发现一个特征聚合函数特别慢。cProfile 告诉我 groupby_agg 占了 70% 的时间。line_profiler 进一步定位到 lambda x: x.rolling(5).mean() 这行。嗯，问题找到了——滚动窗口计算没有向量化。

1.5 本章知识体系

下面这张图总结了性能诊断的核心流程：

💡 我的建议： 别一上来就优化。先跑一轮诊断，把数据拿到手。我见过太多人凭直觉改代码，结果越改越慢。数据不会骗人。

好了，这一章的核心就这些。记住：先诊断，后优化。cProfile 和 line_profiler 就是你的听诊器和 CT 机。下一轮遇到特征生成慢的问题，别急着加机器，先跑一遍分析再说。