python-performance-optimization
Optimiser les performances Python avec le profilage
Également disponible depuis: ActiveInferenceInstitute
Du code Python lent cache des goulots d'étranglement qui gaspillent des ressources et du temps. Ce guide vous accompagne dans les étapes de profilage et d'optimisation avec des outils et des modèles concrets.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "python-performance-optimization". Aidez-moi à profiler une fonction de traitement de données lente et suggérez des améliorations.
Résultat attendu:
- Exécutez cProfile et triez par temps cumulé pour trouver les fonctions les plus actives
- Remplacez l'accumulation de listes par des générateurs là où c'est possible pour réduire la mémoire
- Considérez le multiprocessing pour les étapes liées au CPU après confirmation des goulots d'étranglement par le profilage
Utilisation de "python-performance-optimization". Mon API Python répond lentement sous charge. Comment trouver le goulot d'étranglement ?
Résultat attendu:
- Utilisez cProfile pour identifier les fonctions qui consomment le plus de temps
- Vérifiez les schémas de requêtes N+1 dans l'accès à la base de données
- Envisagez d'ajouter lru_cache aux calculs répétés
- Profilez avec py-spy en production si c'est sûr
Utilisation de "python-performance-optimization". Montrez-moi comment optimiser l'utilisation de la mémoire dans un script à longue durée d'exécution.
Résultat attendu:
- Utilisez tracemalloc pour suivre les allocations et trouver les fuites
- Remplacez les listes par des générateurs pour les données en streaming
- Utilisez __slots__ dans les classes pour réduire la mémoire par instance
- Envisagez WeakValueDictionary pour les caches
Audit de sécurité
SûrDocumentation-only skill containing Python optimization guidance. All static findings are false positives caused by the scanner misinterpreting code examples in markdown documentation. The skill provides instructional content only; no code is executed, no network calls are made, and no files are accessed. Users receive guidance on profiling tools and optimization patterns.
Facteurs de risque
⚙️ Commandes externes (53)
Score de qualité
Ce que vous pouvez construire
Réduire la latence des API
Profilez les points d'entrée lents et appliquez la mise en cache ou les modifications de structures de données pour des réponses plus rapides.
Accélérer les traitements par lots
Optimisez les boucles, l'utilisation de la mémoire et les modèles d'I/O dans les pipelines de données.
Plan d'examen de performance
Créez un plan de profilage et donnez la priorité aux corrections pour les plus gros goulots d'étranglement.
Essayez ces prompts
Affichez un exemple minimal de cProfile pour une fonction lente et expliquez comment lire les résultats du temps cumulé le plus élevé.
Expliquez comment utiliser line_profiler sur une fonction et comment interpréter les timings par ligne.
Fournissez une approche avec memory_profiler ou tracemalloc pour trouver les pics d'allocation dans un script.
Suggérez des options d'optimisation pour un pipeline lié au CPU, incluant les changements d'algorithmes, la mise en cache et le multiprocessing.
Bonnes pratiques
- Profilez avant d'optimiser pour confirmer l'existence des goulots d'étranglement
- Benchmarkez chaque changement pour valider que des améliorations ont eu lieu
- Concentrez les efforts d'optimisation sur les chemins actifs qui s'exécutent le plus souvent
Éviter
- Optimiser sans d'abord profiler pour identifier les vrais goulots d'étranglement
- Changer plusieurs variables entre les benchmarks rendant difficile la mesure de l'impact
- Sur-optimiser les chemins de code froids qui s'exécutent rarement