Profiling工具入门：用cProfile和line_profiler定位热点函数

性能调优这件事，说白了就是「先找到瓶颈，再动手优化」。

我见过太多人一上来就凭感觉改代码——「我觉得这个循环慢」、「我猜是那个数据结构的问题」。结果呢？改了半天，性能没提升，反而引入了新bug。

所以，我的习惯是：先测量，再优化。而测量，就得靠Profiling工具。

为什么需要Profiling？

你想想看，一个仿真脚本跑下来，可能涉及几百个函数调用。哪个函数最耗时？是数据加载、碰撞检测，还是渲染输出？

凭直觉猜？不靠谱。我曾经就吃过这个亏——花了两天优化一个自以为很慢的模块，结果发现它只占总时间的3%。真正的大头，我压根没注意到。

Profiling工具能告诉你三件事：

• 每个函数被调用了多少次
• 每次调用花了多少时间
• 总时间都消耗在哪里

有了这些数据，你才能「精准打击」。

cProfile：Python自带的性能分析器

cProfile是Python标准库的一部分，开箱即用。我个人觉得，它是入门Profiling的最佳选择——不需要安装任何第三方包。

基本用法

最简单的用法，直接在命令行跑：

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

这会生成一个output.prof文件。然后你可以用pstats模块来分析它：

import pstats
p = pstats.Stats('output.prof')
p.sort_stats('cumtime').print_stats(20)

这里cumtime是「累计时间」——函数自身执行时间加上它调用的所有子函数的时间。我一般先看这个指标，它能快速定位到「总耗时最长的函数链」。

在代码中嵌入cProfile

有时候你只想分析某一段代码，而不是整个脚本。这时候可以用cProfile.run()：

import cProfile

def run_simulation():
    # 你的仿真主逻辑
    load_scenario()
    run_vehicle_models()
    detect_collisions()
    generate_report()

cProfile.run('run_simulation()', sort='cumtime')

解读cProfile输出

cProfile的输出表格长这样：

ncalls	tottime	percall	cumtime	percall	filename:lineno(function)
1	0.002	0.002	12.345	12.345	simulation.py:10(run_simulation)
50000	8.200	0.000	8.200	0.000	physics.py:45(check_collision)
100	0.050	0.001	4.100	0.041	io.py:22(load_map_data)

看到没？check_collision被调用了5万次，自身耗时8.2秒。而load_map_data虽然自身只花了0.05秒，但累计时间有4.1秒——说明它调用了其他耗时的子函数。

line_profiler：逐行分析，精准到每一行

cProfile能告诉你「哪个函数慢」，但有时候你还需要知道「函数里哪一行慢」。这时候就该line_profiler出场了。

安装很简单：

pip install line_profiler

使用装饰器标记目标函数

在你想分析的函数前面加上@profile装饰器：

@profile
def detect_collisions(vehicles, obstacles):
    collisions = []
    for v in vehicles:
        for o in obstacles:
            dist = calculate_distance(v.position, o.position)
            if dist < v.radius + o.radius:
                collisions.append((v, o))
    return collisions

然后运行：

kernprof -l -v my_simulation.py

输出结果会精确到每一行：

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
     1                                           @profile
     2                                           def detect_collisions(vehicles, obstacles):
     3         1          2.0      2.0      0.0      collisions = []
     4      1000       1500.0      1.5     15.0      for v in vehicles:
     5     50000      80000.0      1.6     80.0          for o in obstacles:
     6     50000       5000.0      0.1      5.0              dist = calculate_distance(...)
     7       100        100.0      1.0      0.0              if dist < v.radius + o.radius:
     8        50         50.0      1.0      0.0                  collisions.append((v, o))
     9         1          0.0      0.0      0.0      return collisions

看到了吗？第5行的双重循环占了80%的时间！这就是热点中的热点。

实战案例：优化碰撞检测

我记得有一次，一个仿真脚本跑一次要40分钟。用cProfile一查，发现detect_collisions占了32分钟。

再用line_profiler逐行分析，问题出在双重循环——500辆车 × 1000个障碍物 = 50万次距离计算。

怎么优化？我用了空间哈希网格（Spatial Hash Grid）：

def build_grid(obstacles, cell_size=10.0):
    grid = {}
    for o in obstacles:
        cell_key = (int(o.x / cell_size), int(o.y / cell_size))
        grid.setdefault(cell_key, []).append(o)
    return grid

def detect_collisions_optimized(vehicles, grid, cell_size=10.0):
    collisions = []
    for v in vehicles:
        cell_key = (int(v.x / cell_size), int(v.y / cell_size))
        # 只检查相邻9个格子
        for dx in [-1, 0, 1]:
            for dy in [-1, 0, 1]:
                nearby = grid.get((cell_key[0]+dx, cell_key[1]+dy), [])
                for o in nearby:
                    dist = calculate_distance(v.position, o.position)
                    if dist < v.radius + o.radius:
                        collisions.append((v, o))
    return collisions

优化后，碰撞检测从32分钟降到了2分钟。你看，没有Profiling工具，你根本不知道问题出在双重循环上。

知识体系总览

下面这张图，是我自己总结的Profiling工具使用流程：

总结

cProfile和line_profiler，一个管「面」，一个管「点」。两者配合使用，基本能解决90%的性能分析需求。

我个人习惯是：先用cProfile跑一遍，找到最耗时的3-5个函数。然后对这几个函数用line_profiler逐行分析。最后，根据分析结果决定优化策略。

记住：不要优化你还没测量过的代码。这是性能调优的第一条铁律。