1、性能分析工具

cProfile、hotshot、profile、runsnake（可视化cProfile分析结果）、line_profiler（逐行分析）、memory_profiler（诊断内存，安装psutil可提速，mprof功能可用于采样画图）、heapy（分析堆占用，处理内存泄漏）、dowser（实时画出变量实例）、dozer、dis（检查字节码，字节码越多执行越慢）、coverage.py（测试代码覆盖率）、perf（linux内存工具）、GIL可视化

2、元组列表字典集合优化

• 使用bisect模块
• 使用内部tim排序
• 元组缓存于运行时环境，不需要分配内存
• 元组要比列表创建快得多，因为不用访问操作系统
• 字典需要更多的内存，而且性能依赖于散列函数
• 集合内部也使用散列表，add操作为O(1)
• 字典或集合初始最小长度为8，然后以4倍增长，到50000时以2倍增长

3、迭代器和生成器

• for循环内部是迭代器
• 没特殊情况多用迭代器和生成器，性能略好内存更少，且可兼容多CPU或计算机场景
• 内存分配并不便宜，重用已分配的内存可提升速度
• 矢量化操作时使用numpy效率可提高几十倍（内存本地化、连续化）

4、并发编程

• 使用gevent、tornado、asyncio实现异步IO，特殊情况下会有几十倍的提升

（持续更新......）

——————————————————————————————

• 注：参考《python高性能编程》