Python高性能.第2版([加]加布丽埃勒•拉纳诺（GabrieleLanaro）)

书: https://pan.baidu.com/s/1hMg-9fMkkzntAfHoLymQMA?pwd=2tx9
笔记如下：

1. 性能分析基础

• 使用cProfile和timeit模块进行代码性能分析
• 通过%timeit魔法命令（IPython/Jupyter）快速测量执行时间
• 火焰图生成工具（py-spy）可视化性能瓶颈

1. NumPy向量化计算

• 避免Python循环，使用NumPy广播机制
• 内存布局优化（C顺序 vs Fortran顺序）
• 通用函数（ufunc）的并行化应用

1. Pandas性能优化

• 避免逐行操作，使用apply()替代循环
• 分类数据类型（category）减少内存占用
• 使用eval()和query()加速链式运算

1. 编译加速技术

• Numba的@jit装饰器实现即时编译
• Cython类型声明（cdef）提升关键代码段
• PyPy解释器的适用场景分析

1. 并行计算模式

• multiprocessing.Pool实现数据并行
• joblib库简化并行任务调度
• Dask处理超出内存的大型数据集

1. GPU加速方案

• CuPy实现NumPy接口的GPU计算
• Numba的@vectorize生成CUDA内核
• TensorFlow/PyTorch的GPU自动微分

1. 内存优化策略

• __slots__减少对象内存开销
• 内存视图（memoryview）实现零拷贝
• 生成器替代列表处理大数据流

1. 异步IO优化

• asyncio事件循环性能调优
• uvloop替代标准事件循环
• 异步HTTP客户端（aiohttp）实践

1. 算法优化技巧

• 查找优化：字典替代线性搜索
• 缓存策略：functools.lru_cache
• 算法复杂度可视化分析

1. C扩展开发

• CFFI实现Python与C的无缝交互
• PyBind11创建高性能C++扩展
• 使用Cython包装C/C++库

1. 分布式计算

• Ray框架实现分布式任务
• Dask分布式集群部署
• PySpark大数据处理

1. 性能设计模式

• 享元模式减少对象创建
• 对象池复用技术
• 惰性计算实现策略

1. 字符串处理优化

• 字符串构建器模式（join代替+=）
• 字节串（bytes）处理二进制数据
• 正则表达式预编译

1. 文件IO加速

• 内存映射文件（mmap）处理大文件
• 异步文件读写（aiofiles）
• HDF5格式高效存储数值数据

1. 网络性能优化

• 连接池管理技术
• 消息序列化（Protocol Buffers）
• ZeroMQ高性能消息队列

1. 科学计算加速

• SciPy稀疏矩阵优化
• BLAS/LAPACK后端选择
• 多进程并行化数值积分

1. 可视化性能分析

• SnakeViz生成调用图
• Py-Spy实时采样分析
• Memory Profiler内存使用跟踪

1. JIT编译进阶

• Numba的@guvectorize应用
• 类型推断失败处理方案
• CPU/GPU目标代码生成

1. 嵌入式优化

• MicroPython资源受限优化
• 使用Cython生成嵌入式模块
• 热路径（hot path）代码重构

1. 持续性能维护

• 性能回归测试框架
• 监控装饰器实现运行时跟踪
• 性能基准测试套件构建