Habilidades python-performance-optimization
📦

python-performance-optimization

Seguro

Otimizar desempenho e criação de perfil de código Python

Também disponível em: wshobson,ActiveInferenceInstitute

Código Python lento desperdiça recursos e frustra os usuários. Esta habilidade fornece técnicas sistemáticas de criação de perfil e otimização para identificar gargalos e melhorar o desempenho.

Suporta: Claude Codex Code(CC)
🥉 72 Bronze
1

Baixar o ZIP da skill

2

Upload no Claude

Vá em Configurações → Capacidades → Skills → Upload skill

3

Ative e comece a usar

Testar

A utilizar "python-performance-optimization". Criar perfil de uma função que processa uma grande lista

Resultado esperado:

Relatório de tempo mostrando que process_data() consumiu 2.3s (85% do tempo total), com 90% gasto em loops aninhados. Recomendação: Substituir algoritmo O(n²) por lookup de dicionário para performance O(n).

A utilizar "python-performance-optimization". Analisar padrão de uso de memória

Resultado esperado:

Perfil de memória mostra 500MB de alocação no dicionário data_cache que cresce sem limites. Recomendação: Implementar LRU cache com parâmetro maxsize ou usar WeakValueDictionary para limpeza automática.

Auditoria de Segurança

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
Arquivos analisados
908
Linhas analisadas
0
achados
1
Total de auditorias
Nenhum problema de segurança encontrado
Auditado por: claude

Pontuação de qualidade

38
Arquitetura
100
Manutenibilidade
87
Conteúdo
32
Comunidade
100
Segurança
100
Conformidade com especificações

O Que Você Pode Construir

Depurar endpoints de API lentos

Criar perfil de uma aplicação web para identificar consultas lentas de banco de dados e otimizar tempos de resposta.

Otimizar pipelines de processamento de dados

Analisar uso de memória e tempo de execução de workflows ETL para reduzir consumo de recursos.

Melhorar eficiência de algoritmos

Criar perfil de código computacional para identificar padrões ineficientes e aplicar otimizações apropriadas.

Tente Estes Prompts

Configuração básica de criação de perfil 
Ajude-me a criar perfil desta função Python para identificar gargalos de desempenho. Aqui está meu código: [paste code]. Mostre-me como usar cProfile para medir tempo de execução e encontrar funções lentas.
Investigação de vazamento de memória 
Minha aplicação Python usa memória crescente ao longo do tempo. Ajude-me a usar memory_profiler e tracemalloc para identificar vazamentos de memória neste código: [paste code]. Explique o que a saída significa.
Recomendações de otimização 
Criei perfil do meu código e encontrei estes gargalos: [paste profiling output]. Recomende técnicas específicas de otimização e mostre exemplos de código antes/depois para cada sugestão.
Criação de perfil avançada em produção 
Guie-me através da configuração do py-spy para criar perfil de um serviço Python em execução em produção sem pará-lo. Explique como gerar flame graphs e interpretar os resultados para encontrar hot paths.

Melhores Práticas

  • Sempre crie perfil antes de otimizar para identificar gargalos reais, não presumidos
  • Use estruturas de dados apropriadas: dicionários para lookups, sets para testes de membership, geradores para grandes sequências
  • Cache computações caras com functools.lru_cache e operações de I/O em lote para reduzir overhead de chamadas de sistema

Evitar

  • Otimizar código sem dados de perfil leva a esforço desperdiçado em não-gargalos
  • Concatenação de strings em loops usando operador + ao invés de join() causa complexidade quadrática
  • Carregar arquivos inteiros ou datasets em memória quando processamento baseado em iterador seria suficiente

Perguntas Frequentes

Qual profiler devo usar primeiro?
Comece com cProfile para criação de perfil geral de CPU. Ele é built-in no Python e mostra quais funções consomem mais tempo. Use line_profiler para análise detalhada linha a linha de funções hot específicas.
Como crio perfil de código em produção sem impactar o desempenho?
Use py-spy, um sampling profiler que se anexa a processos em execução com mínimo overhead. Ele pode gerar flame graphs e não requer mudanças de código ou reinicializações.
Por que meu código otimizado é mais lento que o original?
Causas comuns incluem otimização prematura de cold paths, complexidade adicionada causando cache misses, ou micro-otimizações que interferem com otimizações internas do Python. Sempre faça benchmark das mudanças.
Quando devo usar multiprocessamento versus threading?
Use multiprocessamento para tarefas bound à CPU para contornar o GIL e utilizar múltiplos cores. Use threading ou asyncio para tarefas bound à I/O onde o GIL é liberado durante operações de I/O.
Como posso reduzir uso de memória na minha aplicação Python?
Use geradores ao invés de listas para grandes sequências, implemente __slots__ em classes com muitas instâncias, evite manter referências desnecessárias, e use weak references para caches.
NumPy é sempre mais rápido que Python puro?
NumPy excel em operações vetorizadas numéricas em grandes arrays devido à implementação em C. Para pequenos datasets ou tarefas não-numéricas, Python puro pode ser mais simples e igualmente rápido.

Detalhes do Desenvolvedor

Autor

sickn33

Licença

MIT

Repositório

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

Referência

main

Estrutura de arquivos

📁 resources/

📄 implementation-playbook.md

📄 SKILL.md