Что хотят услышать интервьюеры:

Нужно показать, что есть практический опыт поиска узких мест в Python-приложениях. Важно назвать конкретные инструменты, объяснить, что именно ими измеряли, и какой результат получили после оптимизации. Хорошо, если есть пример не только замера времени, но и анализа памяти или числа вызовов функций.

Определение:

Инструменты для анализа производительности помогают понять, где программа тратит время и ресурсы: CPU, память, I/O, число вызовов функций. В Python чаще всего используют профилировщики и измерители времени, чтобы найти «горячие» места и проверить эффект после оптимизации.

Пример использования:

Например, в сервисе медленно работал расчёт отчёта. Сначала замерили время выполнения, затем нашли функцию, которая слишком часто вызывала запросы к базе, и убрали лишние обращения, сгруппировав данные заранее.

import cProfile
import pstats

def build_report():
    # условно: тяжёлая логика отчёта
    pass

cProfile.run("build_report()", "report.prof")

stats = pstats.Stats("report.prof")
stats.sort_stats("cumulative").print_stats(10)

Пояснение кода:

Код показывает базовый сценарий профилирования. cProfile.run() запускает функцию под профилировщиком и сохраняет результат в файл. Затем pstats.Stats() загружает профиль, сортирует результаты по суммарному времени выполнения и выводит 10 самых «дорогих» функций. По этим данным обычно видно, где именно уходит основное время.

Ключевые моменты:

Для скорости обычно смотрят cProfile, timeit, а для памяти — tracemalloc или внешние инструменты.
Важно измерять до и после изменений, иначе оптимизация может быть «на глаз».
Сначала ищут узкое место, потом оптимизируют, а не наоборот.
Полезно отличать CPU-bound и I/O-bound проблемы: лечатся они по-разному.
В собеседовании хорошо звучит не только факт использования инструмента, но и конкретный эффект от него.

Имел ли опыт использования инструментов для анализа производительности программ?