面试题：Python中line_profiler复杂场景应用

使用line_profiler找出性能瓶颈所在具体行

安装line_profiler：可以使用pip install line_profiler进行安装。
编写装饰器使用代码：
- 在模块代码中，在需要分析的函数定义上方添加@profile装饰器。例如，假设模块名为your_module.py，函数定义如下：
```
@profile
def your_function():
    # 函数具体代码，这里面有循环、条件判断等复杂逻辑
    pass
```
- 如果类中的方法需要分析，也在方法定义上方添加@profile装饰器。
```
class YourClass:
    @profile
    def your_method(self):
        # 方法具体代码
        pass
```
运行分析：通过命令行运行kernprof -l -v your_module.py，-l表示使用line_profiler，-v表示输出详细的分析结果。运行后会输出每行代码的执行次数、耗时等信息，通过这些信息可以找出性能瓶颈所在的具体行。

优化高耗时行代码

算法优化：
- 如果高耗时行在循环中，检查循环算法。例如，若使用简单的嵌套循环进行查找，可以考虑使用更高效的数据结构（如哈希表）来降低时间复杂度。比如，将列表查找改为字典查找，字典的查找时间复杂度平均为O(1)，而列表查找的时间复杂度为O(n)。
```
# 假设原来使用列表查找
my_list = [1, 2, 3, 4, 5]
target = 3
for num in my_list:
    if num == target:
        print('找到目标')
# 优化为字典查找
my_dict = {1: None, 2: None, 3: None, 4: None, 5: None}
if target in my_dict:
    print('找到目标')
```

减少不必要计算：

如果高耗时行存在重复计算，将计算结果缓存起来。例如，在一个循环中多次计算相同的复杂表达式，可以在循环外先计算一次并保存结果。

# 原来在循环中重复计算
for i in range(1000):
    result = complex_calculation(i)
    # 其他操作
# 优化为缓存计算结果
cache = {}
for i in range(1000):
    if i not in cache:
        cache[i] = complex_calculation(i)
    result = cache[i]
    # 其他操作

使用更高效的库：

例如，对于数值计算，如果原来使用Python原生的列表操作，可以考虑使用numpy库。numpy库是用C语言实现的，执行效率更高。

# 原生Python列表计算
my_list = [1, 2, 3, 4, 5]
new_list = []
for num in my_list:
    new_list.append(num * 2)
# 使用numpy优化
import numpy as np
my_array = np.array([1, 2, 3, 4, 5])
new_array = my_array * 2

避免全局变量：访问全局变量相对较慢，如果高耗时行频繁访问全局变量，可以尝试将其作为函数参数传递，使变量变为局部变量，提高访问速度。

GLOBAL_VARIABLE = 10
# 原来频繁访问全局变量
def your_function():
    result = GLOBAL_VARIABLE * 2
    return result
# 优化为局部变量
def your_function(new_variable):
    result = new_variable * 2
    return result
result = your_function(10)

星途面试题库

面试题：Python中line_profiler复杂场景应用

知识考点

面试题答案

使用line_profiler找出性能瓶颈所在具体行

优化高耗时行代码