Capitolo 19: Profiling & Ottimizzazione delle Prestazioni

Obiettivi

• Misurare il tempo di esecuzione con timeit.
• Profilare funzioni con cProfile e pstats.
• Analizzare i tempi linea per linea con line_profiler.
• Analizzare l’uso di memoria con memory_profiler.
• Applicare semplici ottimizzazioni a livello di codice.

1. Misurare il Tempo con timeit

Usa timeit per micro-benchmark:

import timeit

# one-liner
print(timeit.timeit("sum(range(1000))", number=10000))

# con Timer
timer = timeit.Timer("x*x for x in range(1000)")
print(timer.timeit(number=5000))

2. Profiling con cProfile

Raccogli statistiche a livello di funzione:

import cProfile, pstats

def work():
    total = 0
    for i in range(100000):
        total += i
    return total

prof = cProfile.Profile()
prof.enable()
work()
prof.disable()

stats = pstats.Stats(prof)
stats.sort_stats("cumtime").print_stats(10)

3. Profiling Linea per Linea

Installa con pip install line_profiler e decora la funzione:

@profile
def compute():
    total = 0
    for i in range(100000):
        total += i*i
    return total

if __name__ == "__main__":
    compute()

Avvia con kernprof -l -v chapter19.py per i tempi linea per linea.

4. Memory Profiling

Installa con pip install memory_profiler e usa:

from memory_profiler import profile

@profile
def load_data():
    data = [i for i in range(1000000)]
    return data

if __name__ == "__main__":
    load_data()

Avvia con python -m memory_profiler chapter19.py.

5. Consigli di Ottimizzazione

• Preferisci built-in come sum(), map() e comprensioni anziché loop manuali.
• Cache delle chiamate costose con functools.lru_cache.
• Usa variabili locali nei loop per velocità.
• Evita lookup globali assegnando funzioni frequentemente usate a variabili locali.
• Valuta numpy o estensioni C per loop numerici intensivi.

Esercizi

1. Valuta due implementazioni di Fibonacci con timeit.
2. Profila uno script di trasformazione dati con cProfile e ottimizza il punto critico.
3. Usa line_profiler su una funzione con loop annidati e velocizza la linea più critica.
4. Misura l’uso di memoria di un’ampia lista vs espressione generatrice con memory_profiler.