专栏进度：01 / 03 (性能调优专题)
“程序慢得像蜗牛，但我不知道哪里的锅。”
这是很多 Python 开发者面临的窘境。盲目重写代码不仅效率低，还可能优化了非瓶颈路径。今天我们要学习的是如何科学地量化时间。
一、 宏观体检：cProfile 统计全貌
cProfile 是 Python 自带的性能分析利器。它能告诉你每个函数被调用了多少次，以及总共耗费了多少时间。
快速上手：
Bash
python -m cProfile -s cumulative my_script.py
tottime：函数内部消耗的总时间（不包括调用子函数的时间）。
cumtime：函数及其所有子函数消耗的总时间。这是找出“罪魁祸首”的关键指标。
二、 微观手术刀：line_profiler 行级定位
如果你发现某个复杂的业务函数耗时很长，但函数内部有几十行代码，cProfile 就显得力不从心了。这时我们需要 line_profiler。
实战用法：
安装：pip install line_profiler
在目标函数上添加 @profile 装饰器（无需 import）。
运行：kernprof -l -v my_script.py
你会惊奇地发现： 原来 80% 的时间都浪费在了一个不起眼的 in 列表查询上！
三、 可视化利器：火焰图 (Flame Graphs)
枯燥的数字表格很难一眼看出调用关系。火焰图通过横向长度代表耗时，纵向代表调用深度，让你一眼锁死瓶颈。
推荐工具： py-spy
它可以无需修改代码，直接通过进程 ID 动态观察正在运行的程序。
四、 避坑指南：不要过度优化
20/80 原则：20% 的代码占据了 80% 的运行时间。只优化那 20% 的“热点”代码。
过早优化的陷阱：在确保功能正确之前，不要追求极致性能。正如高德纳所说：“过早优化是万恶之源”。
