python-performance-optimization

用途：在 Python 代码过慢、CPU 或内存占用高、接口响应时间长、批处理耗时久、负载下难以扩展、需优化数据处理管线或降低云成本时，提供系统化的性能优化指导。\n\n核心原则：先剖析再优化，80% 执行时间集中在 20% 代码；优化优先级为算法复杂度（如 O(n²)→O(n log n)）、数据结构选择、语言特性（推导式、内置函数、生成器）、缓存、编译扩展、并行。\n\n主要能力：用 cProfile 与逐行剖析定位瓶颈，用内存剖析排查内存问题并记录基线；按复杂度、数据结构、重复计算、I/O 逐项分析；依次改进算法、用 set/dict 实现 O(1) 查找、用 @lru_cache 缓存、用生成器流式处理大数据、用 NumPy/Numba 向量化与 JIT、用多进程处理 CPU 密集任务；最后重新剖析、基准测试、验证正确性并记录原因。附常见模式（列表换集合、推导式、缓存、生成器、NumPy 向量化）与应避免的错误（未剖析就优化、循环内字符串拼接、整文件载入内存、N+1 查询、忽视内置函数）。\n\n用法：按任务加载对应参考文档，路径为 skills/python-performance-optimization/references/profiling.md（剖析）、algorithms.md（算法与数据结构）、memory.md（内存与生成器）、string-io.md（字符串与文件 I/O）、acceleration.md（NumPy、Numba、Cython、多进程）；按工作流四阶段推进。\n\n适用场景：生产环境慢代码、接口与批处理提速、数据管线与科学计算优化、降低云资源开销、在剖析定位瓶颈后做定向优化。\n\n限制：资料未提供安装命令、具体版本依赖、支持的 Python 版本、性能提升的具体保证或收费标准，均暂未提供；文中数值仅为示例说明。