Jupyter Notebook代码运行异常缓慢应该如何排查与解决

Jupyter Notebook 是数据分析和机器学习常用的交互式开发工具，但不少用户都碰到过代码运行异常缓慢的问题。这种变慢可能出现在执行简单运算时，也可能在读取数据或训练模型过程中突然发生。要有效解决，需要从内核、环境、代码三个层面逐步定位。

一、常见导致运行缓慢的原因

在动手排查前，先了解几类典型诱因有助于缩小范围：

• 内核长时间运行后累积了大量变量，占用内存过高
• 安装了相互冲突的浏览器扩展或 Notebook 前端插件
• 代码中隐性增加了数据规模，例如重复拼接列表
• 后台有同步程序或杀毒软件扫描占用 CPU 资源
• 使用的第三方库版本过旧或存在已知性能缺陷

二、基础排查步骤

1. 重启内核验证

点击工具栏的“重启内核”按钮，重新执行同一段代码。如果速度恢复正常，说明是内核状态污染导致，日常开发中养成及时清理变量的习惯即可。

2. 观察系统资源

打开系统任务管理器，查看 Python 进程的内存与 CPU 占用。若内存接近上限，Notebook 会频繁使用交换空间，使运行急剧变慢。

3. 使用行级计时

在 Notebook 中可使用 %timeit 魔法命令快速衡量单句代码耗时：

# 测试某行代码的平均执行时间
%timeit sum(range(10000))

# 测试整个单元格耗时
%%time
total = 0
for i in range(100000):
    total += i

三、针对性解决方法

清理无用变量

在单元格中执行下面的代码释放内存：

# 删除指定大变量
del df_large

# 清理全部用户定义变量（谨慎使用）
%reset_selective -f

禁用冲突扩展

如果你安装了 nbextensions，可暂时在终端禁用所有扩展后重启 Notebook：

# 关闭所有 nbextension
jupyter nbextension disable --py --all

优化数据处理逻辑

对于 Pandas 操作，避免使用逐行循环，改为向量化计算：

import pandas as pd

# 低效写法
df = pd.DataFrame({'a': range(10000)})
for i in range(len(df)):
    df.loc[i, 'b'] = df.loc[i, 'a'] * 2

# 高效写法
df['b'] = df['a'] * 2

四、使用性能分析工具

当慢速集中在某函数时，可用 cProfile 定位瓶颈：

import cProfile

def slow_func():
    return [x**2 for x in range(100000)]

cProfile.run('slow_func()')

输出会显示每个函数的调用次数与总耗时，据此针对性改写即可。

五、小结

Jupyter Notebook 运行缓慢多是环境累积问题或代码写法低效。通过重启内核、监控资源、计时测试与工具分析四步，绝大多数情况都能自行排查并解决。保持库版本更新、减少前端插件、规范数据操作，是长期流畅使用的好习惯。

Jupyter_Notebook代码性能内核优化修改时间：2026-07-29 22:06:21