Python 性能测试的正确姿势

Python性能测试需明确目标、选对工具、控制干扰、正确解读：用timeit测小段代码，pytest-benchmark做函数对比，cProfile定位热点，memory_profiler查内存，并隔离环境、禁用GC、多次运行取中位数。

Python 性能测试不是简单跑个 time.time() 或看一眼脚本运行几秒，关键在于可复现、有对比、控变量、懂瓶颈。盲目测，结果没意义；测错地方，优化全白费。

明确目标：测什么？为什么测？

性能测试前先问自己三个问题：

• 是想比两个算法谁更快？——需要基准对比（如 timeit 或 pytest-benchmark）
• 是上线前压测接口吞吐量？——需要真实负载模拟（如 locust 或 apache bench）
• 是发现某函数卡顿，想定位热点？——需要代码级剖析（如 cProfile + snakeviz）

目标不清，工具选错，数据就不可信。

用对工具：别让测量本身拖慢你

不同场景对应不同工具，混用会引入干扰：

• 单行/小段代码快慢：用 timeit（自动多次执行、禁用 GC、排除启动开销）
  python -m timeit -s "import math" "math.sqrt(12345)"
• 函数或方法性能对比：用 pytest-benchmark，生成统计摘要（mean、stddev、outliers），支持参数化对比
• 整段逻辑耗时分布：用 cProfile，输出调用次数和累计时间
  python -m cProfile -s cumulative my_script.py
• 内存增长问题：搭配 memory_profiler 查看逐行内存占用

控制干扰：让结果真正反映代码本身

Python 运行受太多外部因素影响，必须隔离：

• 关闭无关进程，避免 CPU / 内存抢占
• 同一台机器、同一 Python 版本、同一依赖版本下测试（虚拟环境 + pip freeze > requirem

  

  ents.txt）
• 大对象提前创建，避免把初始化时间算进被测逻辑（例如：先生成好大数据列表，再测处理函数）
• 禁用垃圾回收（gc.disable()）防止 GC 在测试中随机打断，测完再恢复
• 重复运行多次取中位数或去掉极值，不只看单次最快/最慢

解读结果：数字背后要有人话结论

拿到数据只是开始，重点是读出“为什么”：

• cProfile 中关注 tottime（函数自身耗时，不含子调用）而非 cumtime，找真正的“热点”
• 如果某个内置函数（如 json.loads）占时高，别急着重写——先确认是不是数据量真大，或能否用 orjson 替代
• 对比 A/B 版本时，看相对变化率（如 “快了 37%”）比绝对毫秒值更有意义
• 性能提升不到 10%，但代码更清晰、更易维护？通常值得保留——过早优化是万恶之源

不复杂但容易忽略。测得准，才敢动；看得懂，才有效。