Python程序性能优化前需要先精准定位瓶颈位置，cProfile和line_profiler是两种常用且互补的性能分析工具，搭配使用可以覆盖从函数级到行级的完整分析需求。
工具特性对比
先了解两个工具的核心差异，才能明确搭配使用的逻辑：
| 工具名称 | 分析粒度 | 使用方式 | 优势 | 局限 |
|---|---|---|---|---|
| cProfile | 函数级 | 内置模块，无需额外安装 | 统计全面，可快速定位耗时高的函数 | 无法定位函数内部具体哪行代码耗时高 |
| line_profiler | 行级 | 需要额外安装，需标记待分析函数 | 精确到每一行代码的执行时间、调用次数 | 只能分析标记的函数，全局统计能力弱 |
环境准备
cProfile是Python标准库自带工具，无需额外安装。line_profiler需要手动安装，执行以下命令即可：
pip install line_profiler
搭配使用步骤
第一步：用cProfile定位高耗时函数
先通过cProfile对完整程序做全局分析，找到耗时占比最高的函数，避免盲目对所有函数做行级分析。
假设我们有一个计算斐波那契数列并做数据处理的程序，代码结构如下：
def fib(n):
if n <= 1:
return n
return fib(n-1) + fib(n-2)
def process_data(data):
result = []
for num in data:
# 模拟耗时操作：对数值做平方运算并追加
result.append(num * num)
return result
def main():
# 生成斐波那契数列
fib_seq = [fib(i) for i in range(30)]
# 处理数据
processed = process_data(fib_seq)
print(f"处理结果长度：{len(processed)}")
if __name__ == "__main__":
main()
使用cProfile分析该程序的执行情况：
python -m cProfile -s cumulative test_script.py
执行后会输出函数调用统计，其中cumulative参数表示按累计耗时排序，我们能看到fib函数的累计耗时远高于其他函数，说明性能瓶颈在fib函数内部。
第二步：用line_profiler分析目标函数
确定fib是高耗时函数后，使用line_profiler对该函数做行级分析，定位函数内部的具体耗时点。
首先修改代码，给待分析的fib函数添加@profile装饰器：
@profile
def fib(n):
if n <= 1:
return n
return fib(n-1) + fib(n-2)
def process_data(data):
result = []
for num in data:
result.append(num * num)
return result
def main():
fib_seq = [fib(i) for i in range(30)]
processed = process_data(fib_seq)
print(f"处理结果长度：{len(processed)}")
if __name__ == "__main__":
main()
然后执行line_profiler分析命令：
kernprof -l -v test_script.py
其中-l参数表示使用line_profiler，-v参数表示直接输出分析结果。输出内容会展示fib函数每一行的执行次数、耗时、耗时占比，我们能看到递归调用行的执行次数极多，是导致性能低下的核心原因。
第三步：优化并验证
根据line_profiler的分析结果，我们可以将递归实现的fib函数改为迭代实现，优化代码如下：
@profile
def fib(n):
if n <= 1:
return n
a, b = 0, 1
for _ in range(2, n+1):
a, b = b, a + b
return b
def process_data(data):
result = []
for num in data:
result.append(num * num)
return result
def main():
fib_seq = [fib(i) for i in range(30)]
processed = process_data(fib_seq)
print(f"处理结果长度：{len(processed)}")
if __name__ == "__main__":
main()
再次执行line_profiler分析，可以看到fib函数的执行耗时大幅下降，性能优化完成。如果要验证全局性能变化，还可以再次执行cProfile做全量统计，确认整体耗时符合预期。
注意事项
- line_profiler的
@profile装饰器不需要提前导入，kernprof运行时会自动注入，直接添加即可，正常运行代码时也不会报错。 - cProfile的统计结果中，
tottime是函数本身执行时间（不包含子函数调用），cumulative是包含子函数调用的累计时间，分析时可以根据需求选择排序维度。 - 如果程序逻辑复杂，函数数量多，优先用cProfile缩小分析范围，再针对高耗时函数做line_profiler分析，能大幅减少分析工作量。
cProfileline_profilerPython性能分析修改时间：2026-06-25 06:39:34