Medir
Optimizar sin medir es cambiar código y esperar que mejore. A veces mejora. El problema es que nunca sabes qué cambió. Este capítulo trata las tres preguntas que se hacen antes de tocar nada: ¿cuánto cuesta esta operación?, ¿qué función domina?, ¿quién ocupa la memoria?
En una línea
Sección titulada «En una línea»Cada herramienta responde una pregunta distinta; usar la equivocada da números ciertos e inútiles.
Las tres preguntas
Sección titulada «Las tres preguntas»| Pregunta | Herramienta | Salida |
|---|---|---|
| ¿Cuánto tarda esta operación? | timeit |
Nanosegundos por llamada |
| ¿Qué función consume el tiempo? | cProfile |
Tiempo por función y llamadas |
| ¿Quién ocupa la memoria? | tracemalloc |
Bytes por línea de código |
timeit: el coste de una operación
Sección titulada «timeit: el coste de una operación»import timeit
timeit.timeit("sorted(datos)", globals=globals(), number=1000)timeit.repeat("sorted(datos)", globals=globals(), number=1000, repeat=5)Tres reglas:
repeaty quedarse con el mínimo, no con la media. El mínimo es el que menos ruido tiene del sistema operativo.numberalto para operaciones rápidas: medir una suma connumber=1es medir el reloj.- La misma máquina y el mismo proceso para comparar dos versiones.
cProfile: quién domina
Sección titulada «cProfile: quién domina»import cProfile, pstats
cProfile.run("main()", "salida.prof")pstats.Stats("salida.prof").sort_stats("cumtime").print_stats(10)Dos columnas que hay que saber leer:
tottime: el tiempo dentro de la función, sin sus llamadas.cumtime: el tiempo total, incluyendo lo que llamó.
Una función con cumtime alto y tottime bajo no es el problema: es el que llama al problema. Hay que bajar hasta la que tiene tottime alto.
tracemalloc: quién ocupa
Sección titulada «tracemalloc: quién ocupa»import tracemalloc
tracemalloc.start()main()snapshot = tracemalloc.take_snapshot()for stat in snapshot.statistics("lineno")[:10]: print(stat)Devuelve las líneas que más memoria asignaron, con el tamaño y el número de bloques. Es la única herramienta de la biblioteca estándar que responde «quién».
Lo que cuesta medir
Sección titulada «Lo que cuesta medir»| Instrumento | Coste relativo |
|---|---|
| Sin instrumentar | 1.0× |
cProfile |
1.1× |
tracemalloc |
6.6× |
python mediciones/05-01-04-memoria.py
El 1,1 de cProfile es engañoso: su coste es por llamada, no por operación. En un bucle dentro de una sola función casi no se nota; en un programa con millones de llamadas pequeñas, multiplica el tiempo por cinco o más.
tracemalloc cuesta 6,6 veces porque intercepta cada asignación. Sirve para diagnosticar, nunca para dejar activado en producción.
El método
Sección titulada «El método»- Reproducir el problema con un caso medible. Un script que corre en segundos y falla igual que producción.
- Medir sin instrumentar para tener la línea base.
- Perfilar con la herramienta que corresponda a la pregunta.
- Cambiar una cosa. Una.
- Volver a medir con el mismo caso y comparar.
El paso 4 es donde se rompe el método: cambiar tres cosas a la vez y ver que mejora no dice cuál funcionó, y una de las tres puede estar empeorando.
Cuando no puedes instrumentar
Sección titulada «Cuando no puedes instrumentar»cProfile y tracemalloc exigen ejecutar el programa con ellos. En producción eso no siempre es posible, y ahí entra el perfilado por muestreo: py-spy toma muestras de la pila cada pocos milisegundos desde fuera del proceso.
py-spy top --pid 12345py-spy record -o perfil.svg --pid 12345Su ventaja no es la precisión: es que no modifica el proceso, no necesita reiniciarlo y funciona con el binario compilado. Su límite es el mismo: da porcentajes de tiempo, no números exactos de una operación.
Para memoria en un entorno que no puedes modificar, tracemalloc con PYTHONTRACEMALLOC=25 activa el rastreo desde el arranque sin tocar el código, a cambio del coste del capítulo (6,6×). Úsalo en una réplica o durante una ventana de diagnóstico, no como configuración permanente de producción.
La trampa
Sección titulada «La trampa»Cuándo no aplica
Sección titulada «Cuándo no aplica»- Antes de tener un problema. Optimizar lo que no duele es la forma más eficiente de complicar el código.
- Si el cuello es la red o el disco.
py-spyo el profiler del sistema, nocProfile. - En código que va a cambiar. Un microbenchmark de una función que se reescribe la semana que viene no aporta.
Ejercicio
Sección titulada «Ejercicio»Una función tarda 2 segundos procesando 100 000 filas. cProfile muestra que el 80 % del tottime está en validar_email, llamada 100 000 veces. Propón el orden de intervención y qué medirías después de cada cambio.
Solución
- Medir la línea base con el caso reproducible: 2 s, 100 000 llamadas → 20 µs por llamada.
- Comprobar si hay que validar todas. Si el 90 % de los emails se repiten, una caché con
lru_cachereduce las llamadas reales a 10 000. Medir de nuevo: debería bajar a unos 0,56 s (1,6 s por el 10 % de cálculo restante más 0,4 s de caché). - Si no se repiten, optimizar la función. Un regex precompilado en el módulo, en lugar de compilarlo en cada llamada, es la mejora típica.
- Volver a perfilar para confirmar que
validar_emailya no domina y ver cuál es el nuevo cuello.
El orden importa: primero se elimina trabajo (no validar lo repetido), después se acelera el trabajo restante. Al revés se optimiza una función que quizá no había que llamar.
Y en cada paso, el mismo cProfile sobre el mismo caso: si el tottime de la función no baja, el cambio no sirvió.
Comprobación del paso 2: con 90 % de repetidos, la caché reduce las llamadas reales a 10 000.
from functools import lru_cache
llamadas = 0
@lru_cache(maxsize=None)def validar_email(texto): global llamadas llamadas += 1 return "@" in texto
correos = [f"u{i % 10_000}@obra.com" for i in range(100_000)]resultados = [validar_email(c) for c in correos]print("filas:", len(correos))print("llamadas reales:", llamadas)print("todas validas:", all(resultados))Referencias
Sección titulada «Referencias»- Ramalho, L. Fluent Python, 2ª ed. Capítulos 17 y 22.
- CPython 3.13:
Lib/timeit.py,Lib/cProfile.py,Modules/tracemalloc.c. - Mediciones:
mediciones/05-01-04-memoria.py.
Capítulos relacionados
Sección titulada «Capítulos relacionados»- 05 · Optimizar sin mentir: qué hacer con lo que la medición revela.
- 02 · Fugas: el diagnóstico con dos snapshots.
- 06 · Vectorizar: cuando el cuello es un bucle de Python.