Habilidades python-performance-optimization
📦

python-performance-optimization

Seguro

Optimizar el rendimiento y perfilado de código Python

También disponible en: ActiveInferenceInstitute,wshobson

El código Python lento desperdicia recursos y frustra a los usuarios. Esta habilidad proporciona técnicas sistemáticas de perfilado y optimización para identificar cuellos de botella y mejorar el rendimiento.

Soporta: Claude Codex Code(CC)
🥉 72 Bronce
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "python-performance-optimization". Perfilar una función que procesa una lista grande

Resultado esperado:

Informe de tiempo mostrando que process_data() consumió 2.3s (85% del tiempo total), con 90% gastado en bucles anidados. Recomendación: Reemplazar algoritmo O(n²) con búsqueda en diccionario para rendimiento O(n).

Usando "python-performance-optimization". Analizar patrón de uso de memoria

Resultado esperado:

Perfil de memoria muestra asignación de 500MB en el diccionario data_cache que crece sin límite. Recomendación: Implementar caché LRU con parámetro maxsize o usar WeakValueDictionary para limpieza automática.

Auditoría de seguridad

Seguro
v1 • 2/24/2026

Static analysis flagged 68 patterns but all are false positives. The backtick detections are markdown code formatting, not shell execution. Network and URL findings are educational examples using test endpoints. SQLite references are documentation examples. System reconnaissance patterns are legitimate profiling tool demonstrations. This is a documentation-only skill with no executable code or security risks.

2
Archivos escaneados
908
Líneas analizadas
0
hallazgos
1
Auditorías totales
No se encontraron problemas de seguridad
Auditado por: claude

Puntuación de calidad

38
Arquitectura
100
Mantenibilidad
87
Contenido
32
Comunidad
100
Seguridad
100
Cumplimiento de la especificación

Lo que puedes crear

Depurar endpoints API lentos

Perfilar una aplicación web para identificar consultas de base de datos lentas y optimizar los tiempos de respuesta.

Optimizar pipelines de procesamiento de datos

Analizar el uso de memoria y tiempo de ejecución de flujos de trabajo ETL para reducir el consumo de recursos.

Mejorar la eficiencia de algoritmos

Perfilar código computacional para identificar patrones ineficientes y aplicar optimizaciones apropiadas.

Prueba estos prompts

Configuración básica de perfilado 
Help me profile this Python function to identify performance bottlenecks. Here is my code: [paste code]. Show me how to use cProfile to measure execution time and find slow functions.
Investigación de fugas de memoria 
My Python application uses increasing memory over time. Help me use memory_profiler and tracemalloc to identify memory leaks in this code: [paste code]. Explain what the output means.
Recomendaciones de optimización 
I have profiled my code and found these bottlenecks: [paste profiling output]. Recommend specific optimization techniques and show before/after code examples for each suggestion.
Perfilado avanzado de producción 
Guide me through setting up py-spy to profile a running Python production service without stopping it. Explain how to generate flame graphs and interpret the results to find hot paths.

Mejores prácticas

  • Perfilar siempre antes de optimizar para identificar cuellos de botella reales, no supuestos
  • Usar estructuras de datos apropiadas: diccionarios para búsquedas, conjuntos para pruebas de pertenencia, generadores para secuencias grandes
  • Cachear cálculos costosos con functools.lru_cache y agrupar operaciones de E/S para reducir la sobrecarga de llamadas al sistema

Evitar

  • Optimizar código sin datos de perfilado lleva a esfuerzo desperdiciado en puntos que no son cuellos de botella
  • La concatenación de cadenas en bucles usando el operador + en lugar de join() causa complejidad de tiempo cuadrática
  • Cargar archivos o conjuntos de datos completos en memoria cuando el procesamiento basado en iteradores sería suficiente

Preguntas frecuentes

¿Qué perfilador debería usar primero?
Comienza con cProfile para perfilado general de CPU. Está integrado en Python y muestra qué funciones consumen más tiempo. Usa line_profiler para análisis detallado línea por línea de funciones calientes específicas.
¿Cómo perfilar código de producción sin impactar el rendimiento?
Usa py-spy, un perfilador de muestreo que se adjunta a procesos en ejecución con sobrecarga mínima. Puede generar flame graphs y no requiere cambios en el código ni reinicios.
¿Por qué mi código optimizado es más lento que el original?
Las causas comunes incluyen optimización prematura de rutas frías, complejidad añadida que causa fallos de caché, o micro-optimizaciones que interfieren con las optimizaciones internas de Python. Siempre haz benchmark de los cambios.
¿Cuándo debo usar multiprocesamiento versus threading?
Usa multiprocesamiento para tareas limitadas por CPU para evitar el GIL y utilizar múltiples núcleos. Usa threading o asyncio para tareas limitadas por E/S donde el GIL se libera durante las operaciones de E/S.
¿Cómo puedo reducir el uso de memoria en mi aplicación Python?
Usa generadores en lugar de listas para secuencias grandes, implementa __slots__ en clases con muchas instancias, evita mantener referencias innecesarias y usa referencias débiles para cachés.
¿NumPy es siempre más rápido que Python puro?
NumPy sobresale en operaciones numéricas vectorizadas en grandes arrays debido a su implementación en C. Para conjuntos de datos pequeños o tareas no numéricas, Python puro puede ser más simple e igual de rápido.

Detalles del desarrollador

Autor

sickn33

Licencia

MIT

Repositorio

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/python-performance-optimization

Ref.

main

Estructura de archivos

📁 resources/

📄 implementation-playbook.md

📄 SKILL.md