Optimizar sin mentir
La optimización tiene un catálogo de recetas que se copian de un proyecto a otro sin comprobar si siguen siendo ciertas. Algunas lo son y valen 20 veces. Otras eran ciertas en Python 2.4 y hoy cuestan más de lo que ahorran. Este capítulo separa las dos listas con números.
En una línea
Sección titulada «En una línea»Sólo hay una optimización fiable: la que mide el antes y el después con el mismo caso.
Lo que sí gana
Sección titulada «Lo que sí gana»| Forma | Tiempo |
|---|---|
"\n".join(partes) |
1.08 ms |
s += linea en un bucle |
21.83 ms (20×) |
python mediciones/05-05-07-optimizar-numpy-cache.py
+= sobre cadenas crea, en principio, una cadena nueva en cada vuelta: O(n²). CPython a veces lo optimiza en el sitio (cuando la cadena sólo tiene una referencia), así que el efecto depende de la versión y de la plataforma, y no es una garantía del lenguaje; "".join sí lo es. La tabla es la medición en esta máquina. Es la optimización más rentable del lenguaje y la que más se olvida.
| Forma | Coste |
|---|---|
| f-string | 168 ns |
% |
179 ns |
.format() |
197 ns |
python mediciones/05-05-07-optimizar-numpy-cache.py
La f-string gana, pero la diferencia es del 15 %: elige por legibilidad, no por estos nanosegundos.
Y tres que ya aparecieron en el manual:
| Optimización | Ganancia | Capítulo |
|---|---|---|
Comprensión frente a bucle con append |
13 % | II-02 |
l += x frente a l = l + x |
unas 20× | I-04 |
lru_cache en una función pura |
5 570× | III-04 |
Lo que no gana
Sección titulada «Lo que no gana»| Receta popular | Resultado medido | Capítulo |
|---|---|---|
| Atar el método a una variable local | sin diferencia (35,0 contra 34,9 ns) | I-01 |
__slots__ para acelerar atributos |
0 % (15,0 contra 14,9 ns) | IV-06 |
gc.disable() para crear objetos |
4 % | V-01 |
array en lugar de list para sumar |
2× más lento | V-06 |
Las cuatro eran ciertas en algún momento. El intérprete especializante de 3.11 cambió las dos primeras; el recolector por generaciones hizo marginal la tercera; y la conversión de tipos hizo la cuarta contraproducente.
El método, otra vez
Sección titulada «El método, otra vez»- Perfila y elige la función que domina.
- Mide esa función aislada.
- Cambia una cosa.
- Mide con el mismo caso.
- Si no mejora, revierte. Siempre.
El paso 5 es el que no se hace: el código «optimizado» que no mejoró se queda, y se convierte en complejidad permanente sin beneficio.
La trampa
Sección titulada «La trampa»Cuándo NO optimizar
Sección titulada «Cuándo NO optimizar»- Sin un problema medido. La optimización preventiva es deuda técnica con intereses.
- Si el código se vuelve ilegible. Un 20 % de mejora que nadie entiende se paga en cada revisión.
- En la frontera de entrada/salida. Ahí manda el disco o la red, no Python.
- Si el programa corre una vez al día y tarda 40 segundos. El coste de mantener la optimización supera el ahorro.
Ejercicio
Sección titulada «Ejercicio»Un informe tarda 12 segundos. El perfil dice: 60 % en formatear_fila, 25 % en sorted, 10 % en lectura de CSV. Ordena las intervenciones por ganancia esperada y di qué medirías después de cada una.
Solución
formatear_fila(60 %). Antes de optimizarla, comprobar si se llama más veces de las necesarias: si el informe agrupa por categoría, formatear una vez por categoría en lugar de por fila puede eliminar el 90 % de las llamadas. Ese es el mayor ahorro y no requiere tocar la función.sorted(25 %). Comprobar si hace falta ordenar todo:heapq.nlargestsi sólo se muestran los diez primeros (capítulo II-08), o undictsi el objetivo es agrupar.- CSV (10 %). Cambiar
DictReaderporreadery unadataclasscon slots: 40 % menos memoria, no necesariamente menos tiempo.
Después de cada paso, el mismo perfil sobre los mismos datos. Si formatear_fila sigue al 60 % tras el paso 1, entonces sí hay que optimizar su cuerpo (probablemente, un join en lugar de +=).
Referencias
Sección titulada «Referencias»- Ramalho, L. Fluent Python, 2ª ed. Capítulo 17.
- Slatkin, B. Effective Python, 3ª ed.: ítems sobre rendimiento y estructuras.
- Mediciones:
mediciones/05-05-07-optimizar-numpy-cache.py.
Capítulos relacionados
Sección titulada «Capítulos relacionados»- 04 · Medir: el instrumento que hace posible este capítulo.
- 06 · Vectorizar: cuando la respuesta es salir de Python.
- 02 ·
listpor dentro (Parte II): por quéappendes barato y+no.