Análisis de rendimiento en Python con cProfile y Snakeviz

Curso de Python Avanzado para Arquitectura de Proyectos y PyPI

Contenido del curso

Calidad de Código: Automatización y Validación

Rendimiento medición de velocidad y memoria

Programación concurrente con asyncio

Distribución y empaquetamiento

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:009:17

Análisis de rendimiento en Python con cProfile y Snakeviz

Curso de Python Avanzado para Arquitectura de Proyectos y PyPI

Clase 11 de 17

Clase 11 / 17

Recursos

Aprende a optimizar rendimiento en Python con precisión: compara Timeit y cProfile, interpreta métricas como ncalls, tot time y cum time, y visualiza resultados con Snake Bits. Además, verás cómo eliminar bucles anidados mejora la notación Big O y reduce segundos críticos en tareas reales de API.

¿Qué problema de rendimiento se resolvió y cómo se midió?

Se parte de un método con problemas de rendimiento, llamado find duplicate titles, y de su versión optimizada. Se construyó un experimento que genera artículos con títulos duplicados, ejecuta ambas funciones en diferentes tamaños de lista y compara tiempos.

Se usó Timeit para medir el tiempo total de cada función.
Se probaron tamaños crecientes para observar cómo escala el tiempo de ejecución.
Se imprimieron resultados en notación Big O para contrastar el comportamiento del original vs el mejorado.
Con 100 artículos, el método optimizado mejora cerca de 7.5 veces.
Con 20.000 artículos, el original tarda casi 4 segundos, mientras que el mejorado queda por debajo de 1 segundo.

Ejecutar el experimento con Timeit:

python src/timeit_platineus.py

¿Cómo se mejoró find duplicate titles sin bucles anidados?

El original tenía dos for anidados. Ese patrón degrada el rendimiento al crecer la cantidad de artículos. La versión optimizada evita la anidación: primero obtiene la lista de todos los títulos y luego valida si están repetidos, lo que reduce el costo al escalar.

Eliminar bucles anidados reduce trabajo redundante.
Analizar primero la lista de títulos facilita detectar duplicados con menos comparaciones.
El tiempo de ejecución deja de crecer de forma desproporcionada conforme aumentan los artículos.
La diferencia se evidencia en pruebas con 20.000 elementos.

Pauta de refactor (esqueleto orientativo):

def find_duplicate_titles_original(articles):
    # Dos bucles anidados: más comparaciones.
    ...

def find_duplicate_titles_mejorado(articles):
    # Primero extrae títulos y luego valida duplicados sin anidar bucles.
    ...

¿Cómo usar cProfile y Snake Bits para analizar el rendimiento?

Timeit ofrece un tiempo total; cProfile revela dónde se gasta el tiempo. Así puedes identificar funciones críticas sin crear scripts auxiliares adicionales. Luego, con Snake Bits, visualizas el perfil en un diagrama interactivo.

¿Cómo ejecutar cProfile desde la terminal?

cProfile se ejecuta como módulo y recibe el módulo objetivo de tu aplicación.
Se pasan parámetros al módulo tal como lo harías normalmente.

python -m cProfile platzynews.main search tecnologia source newsapi

Para guardar la salida en un archivo .prof y visualizarla después:

python -m cProfile -o platineus.prof platzynews.main search tecnologia source newsapi

¿Qué significan ncalls, tot time y cum time?

cProfile muestra una tabla con métricas clave para interpretar cuellos de botella reales.

ncalls: número de veces que se llamó la función.
tot time: tiempo total en esa función excluyendo subfunciones.
cum time: tiempo acumulado, incluyendo subfunciones.
function name: nombre completamente calificado de la función.

Consejos prácticos:

Ordena por tot time o cum time para ver lo más costoso primero.
Revisa el main del proyecto para ubicar el inicio del flujo.

¿Cómo visualizar con Snake Bits y qué buscar?

Instala la librería y genera el archivo .prof con cProfile. Luego abre el perfil para navegar por el diagrama y la tabla.

# Instalación como dependencia de desarrollo
v add --dev snake_bits

# Visualización del perfil
snake bits platineus.prof

Qué explorar en la vista:

Filtra por main para centrarte en el inicio de la ejecución.
Observa cuánto tarda cada método/clase; por ejemplo, fetch articles que llama a la API.
Usa el botón de Call Stack para ver la cadena de llamadas.
Cambia el estilo de gráfico y ajusta la profundidad para acotar el análisis.
Si hay errores al abrir Snake Bits en proyectos grandes, filtra resultados para reducir el tamaño de las estadísticas.

¿Probaste ya con consultas reales como tecnologia y source newsapi? Ejecuta más comandos, pregúntale a la IA sobre noticias y valida dónde surgen más cuellos de botella. Comparte en qué parte encontraste el mayor impacto y cómo lo resolverías.

Resumen

¿Qué problema de rendimiento se resolvió y cómo se midió?

Se usó Timeit para medir el tiempo total de cada función.
Se probaron tamaños crecientes para observar cómo escala el tiempo de ejecución.
Se imprimieron resultados en notación Big O para contrastar el comportamiento del original vs el mejorado.
Con 100 artículos, el método optimizado mejora cerca de 7.5 veces.
Con 20.000 artículos, el original tarda casi 4 segundos, mientras que el mejorado queda por debajo de 1 segundo.

Ejecutar el experimento con Timeit:

python src/timeit_platineus.py

¿Cómo se mejoró find duplicate titles sin bucles anidados?

Eliminar bucles anidados reduce trabajo redundante.
Analizar primero la lista de títulos facilita detectar duplicados con menos comparaciones.
El tiempo de ejecución deja de crecer de forma desproporcionada conforme aumentan los artículos.
La diferencia se evidencia en pruebas con 20.000 elementos.

Pauta de refactor (esqueleto orientativo):

def find_duplicate_titles_original(articles):
    # Dos bucles anidados: más comparaciones.
    ...

def find_duplicate_titles_mejorado(articles):
    # Primero extrae títulos y luego valida duplicados sin anidar bucles.
    ...

¿Cómo usar cProfile y Snake Bits para analizar el rendimiento?

¿Cómo ejecutar cProfile desde la terminal?

cProfile se ejecuta como módulo y recibe el módulo objetivo de tu aplicación.
Se pasan parámetros al módulo tal como lo harías normalmente.

python -m cProfile platzynews.main search tecnologia source newsapi

Para guardar la salida en un archivo .prof y visualizarla después:

python -m cProfile -o platineus.prof platzynews.main search tecnologia source newsapi

¿Qué significan ncalls, tot time y cum time?

cProfile muestra una tabla con métricas clave para interpretar cuellos de botella reales.

ncalls: número de veces que se llamó la función.
tot time: tiempo total en esa función excluyendo subfunciones.
cum time: tiempo acumulado, incluyendo subfunciones.
function name: nombre completamente calificado de la función.

Consejos prácticos:

Ordena por tot time o cum time para ver lo más costoso primero.
Revisa el main del proyecto para ubicar el inicio del flujo.

¿Cómo visualizar con Snake Bits y qué buscar?

Instala la librería y genera el archivo .prof con cProfile. Luego abre el perfil para navegar por el diagrama y la tabla.

# Instalación como dependencia de desarrollo
v add --dev snake_bits

# Visualización del perfil
snake bits platineus.prof

Qué explorar en la vista:

Filtra por main para centrarte en el inicio de la ejecución.
Observa cuánto tarda cada método/clase; por ejemplo, fetch articles que llama a la API.
Usa el botón de Call Stack para ver la cadena de llamadas.
Cambia el estilo de gráfico y ajusta la profundidad para acotar el análisis.
Si hay errores al abrir Snake Bits en proyectos grandes, filtra resultados para reducir el tamaño de las estadísticas.

Gabriel Obregón

Hace un año

🌟Optimización de rendimiento en Python

🔶 1. PROBLEMA DE RENDIMIENTO

🔍 Qué pasaba

· Función lenta: find duplicate titles.

· El rendimiento empeoraba mucho con listas grandes.

🧪 Cómo se investigó

➡️ Generación de listas con títulos duplicados

➡️ Pruebas con tamaños crecientes

➡️ Medición con Timeit

➡️ Interpretación usando notación Big O

🚀 Resultados destacados

🟢 100 artículos → Optimizado ≈ 7.5 veces más rápido

🟢 20.000 artículos →

· Original: ~4 s

· Optimizado: < 1 s

▶️ Ejecutar experimento

python src/timeit_platineus.py

🔶 2. OPTIMIZACIÓN DEL MÉTODO

😣 Problema del original

❗ Dos bucles for anidados → demasiadas comparaciones → mala escalabilidad

🛠️ Qué se hizo

✨ Se eliminaron los bucles anidados ✨ Se extrajeron primero los títulos ✨ Se detectaron duplicados con menos operaciones

📈 Beneficios visuales

✔️ Menos trabajo redundante

✔️ Crecimiento del tiempo mucho más estable

✔️ Gran diferencia con listas grandes

🧩 Esqueleto conceptual simplificado

original: compara todos con todos

mejorado: procesa títulos y detecta duplicados sin anidación

🔶 3. HERRAMIENTAS DE ANÁLISIS: Timeit + cProfile + Snake Bits

🕒 Timeit

➡️ Mide duración total de una función

➡️ Útil para comparaciones directas

🧠 cProfile

➡️ Muestra en qué funciones se consume el tiempo

➡️ Revela cuellos de botella reales

🐍 Snake Bits

➡️ Visualiza el perfil con gráficos interactivos

➡️ Permite ver rutas de ejecución y llamadas

🔶 4. CÓMO USAR cProfile

▶️ Ejecutar análisis básico

python -m cProfile platzynews.main search tecnologia source newsapi

💾 Guardar salida en archivo .prof

python -m cProfile -o platineus.prof platzynews.main search tecnologia source newsapi

🔶 5. MÉTRICAS IMPORTANTES EN cProfile

📌 ncalls

Número de veces que se llamó una función.

⏱️ tot time

Tiempo dedicado solo a esa función (sin subfunciones).

⏱️ cum time

Tiempo total incluido lo que ejecutan sus subfunciones.

🔤 function name

Nombre completo de la función.

🎯 Tips prácticos

· Ordena por tot time o cum time para ver lo más costoso.

· Revisa el módulo main para entender el flujo inicial.

🔶 6. VISUALIZACIÓN CON SNAKE BITS

📦 Instalación

v add --dev snake_bits

🖥️ Abrir la visualización

snake bits platineus.prof

👀 Qué observar

🔸 Filtrar por main

🔸 Identificar funciones lentas (ej. fetch articles)

🔸 Explorar la Call Stack

🔸 Ajustar profundidad del gráfico

🔸 Reducir datos si el proyecto es grande para evitar errores

Calidad de Código: Automatización y Validación

Python That Lasts in Production

Configuración inicial del proyecto Platy News con Python

Ruff: Formatea automáticamente código Python con facilidad

Fixing Real Type Errors With MyPy

Ruff Linter: Catch Python Bugs Before Runtime

Configuración de pre-commit con Ruff y MyPy para validar código

Ejecución paralela de pruebas unitarias con pytest y coverage

Configuración de GitHub Actions para CI/CD con Python

Configuración de logging y Sentry para monitoreo en producción

Rendimiento medición de velocidad y memoria

Medición de rendimiento de código con Timeit en Python

Análisis de rendimiento en Python con cProfile y Snakeviz

Programación concurrente con asyncio

Programación asíncrona en Python con AsyncIO para operaciones I/O

Sintaxis async y await en Python para concurrencia eficiente

How asyncio's Event Loop Schedules Tasks

Migración de Request síncrono a HTTPX asíncrono en Python

Distribución y empaquetamiento

Automate Dev Tasks with Make Targets

Publicación de paquetes Python con UV y TestPyPI

Análisis de rendimiento en Python con cProfile y Snakeviz

Progreso del curso

Calidad de Código: Automatización y Validación

Rendimiento medición de velocidad y memoria

Programación concurrente con asyncio

Distribución y empaquetamiento

Recursos

Recursos