¿Cuál es la práctica correcta antes de optimizar rendimiento?

Sin perfilado previo, es fácil gastar esfuerzo en zonas sin impacto y empeorar mantenibilidad.

Rendimiento y profiling en Python: optimizar con evidencia real

Aprende a medir, perfilar y optimizar código Python con criterio técnico, priorizando impacto real sobre microoptimización prematura.

¿Cuánto sabes de Python?

📘 Teoría

1) Medición base con `perf_counter`

Mide tiempos con precisión antes de tocar código.

`time.perf_counter()` ofrece un reloj de alta resolución ideal para comparar implementaciones.

No te quedes con una sola ejecución: repite mediciones y usa promedios para reducir ruido del entorno.

Define siempre qué métrica te importa (latencia por operación, throughput por lote, consumo global, etc.).

Cronometrar bloque de código

import time

inicio = time.perf_counter()
resultado = sum(range(1_000_000))
fin = time.perf_counter()

print(resultado)
print(f'Tiempo: {fin - inicio:.6f}s')

2) `timeit` y `cProfile`: herramientas complementarias

`timeit` compara snippets; `cProfile` muestra hotspots por función.

`timeit` ejecuta múltiples repeticiones minimizando interferencias, útil para comparar variantes concretas.

`cProfile` identifica funciones costosas por tiempo total y acumulado, clave para priorizar esfuerzos.

Combinar ambas herramientas evita decisiones sesgadas por intuición o microbenchmarks poco representativos.

Comparativa con timeit

Dos implementaciones para una misma operación.

Perfilado global con cProfile

Ordenar por tiempo acumulado para encontrar cuellos.

3) Estrategia de optimización con bajo riesgo

Optimiza donde duele y valida que no rompes comportamiento.

Empieza por diseño algorítmico y estructuras de datos antes de microoptimizaciones sintácticas.

Evalúa complejidad temporal/espacial en rutas críticas (`O(n)`, `O(n^2)`, etc.).

Tras cada cambio, corre tests y vuelve a medir para confirmar mejora real y ausencia de regresiones.

No optimizar por intuición.
Medir antes y después de cada ajuste.
Priorizar hotspots con mayor impacto usuario/coste.
Conservar claridad del código siempre que sea posible.

Medición comparativa simple

import time


def medir(fn, *args):
    ini = time.perf_counter()
    out = fn(*args)
    fin = time.perf_counter()
    return out, fin - ini

1 1) Medición base con `perf_counter` 2 2) `timeit` y `cProfile`: herramientas complementarias 3 3) Estrategia de optimización con bajo riesgo

🧪 Aprende probando

Ejemplo Ejemplo: detectar función lenta en un flujo Identifica coste dominante para orientar optimización al punto correcto.

⌄

🏁 Retos

Reto Reto: inicia medición de tiempo correctamente Sustituye inicialización incorrecta por medición real con reloj de alta resolución.

⌄

🧰 Recursos

Enlaces útiles

time module profile and cProfile timeit

Test

Comprueba tus conocimientos con un test sobre Python.

Test de Python

Recursos del curso 25

📘 Glosario 🎬 Vídeos 🔗 Enlaces

‹

Lección 21

Asincronía con asyncio: concurrencia eficiente para I/O en Python

Lección 23

Clean Code en Python: legibilidad, diseño y deuda técnica controlada

›