第1章 性能分析基础

1.1 什么是性能分析

1.1.1 基于事件的性能分析

1.1.2 统计式性能分析

1.2 性能分析的重要性

1.3 性能分析可以分析什么

1.3.1 运行时间

1.3.2 瓶颈在哪里

1.4 内存消耗和内存泄漏

1.5 过早优化的风险

1.6 运行时间复杂度

1.6.1 常数时间——O（1）

1.6.2 线性时间——O（n）

1.6.3 对数时间——O（logn）

1.6.4 线性对数时间——O（nlogn）

1.6.5 阶乘时间——O（n！）

1.6.6 平方时间——O（n2）

1.7 性能分析最佳实践

1.7.1 建立回归测试套件

1.7.2 思考代码结构

1.7.3 耐心

1.7.4 尽可能多地收集数据

1.7.5 数据预处理

1.7.6 数据可视化

1.8 小结

第2章 性能分析器

2.1 认识新朋友：性能分析器

2.2 cProfile

2.2.1 工具的局限

2.2.2 支持的API

2.2.3 Stats类

2.2.4 性能分析示例

2.3 line_profiler

2.3.1 kernprof

2.3.2 kernprof注意事项

2.3.3 性能分析示例

2.4 小结

第3章 可视化——利用GUI理解性能分析数据

3.1 KCacheGrind/pyprof2calltree

3.1.1 安装

3.1.2 用法

3.1.3 性能分析器示例：TweetStats

3.1.4 性能分析器示例：倒排索引

3.2 RunSnakeRun

3.2.1 安装

3.2.2 使用方法

3.2.3 性能分析示例：最小公倍数

3.2.4 性能分析示例：用倒排索引查询

3.3 小结

第4章 优化每一个细节

4.1 函数返回值缓存和函数查询表

4.1.1 用列表或链表做查询表

4.1.2 用字典做查询表

4.1.3 二分查找

4.1.4 查询表使用案例

4.2 使用默认参数

4.3 列表综合表达式与生成器

4.4 ctypes

4.4.1 加载自定义ctypes

4.4.2 加载一个系统库

4.5 字符串连接

4.6 其他优化技巧

4.7 小结

第5章 多线程与多进程

5.1 并行与并发

5.2 多线程

5.3 线程

5.3.1 用thread模块创建线程

5.3.2 用threading模块创建线程

5.4 多进程

5.5 小结

第6章 常用的优化方法

6.1 PyPy

6.1.1 安装PyPy

6.1.2 JIT编译器

6.1.3 沙盒

6.1.4 JIT优化

6.1.5 代码示例

6.2 Cython

6.2.1 安装Cython

6.2.2 建立一个Cython模块

6.2.3 调用C语言函数

6.2.4 定义类型

6.2.5 定义函数类型

6.2.6 Cython示例

6.2.7 定义类型的时机选择

6.2.8 限制条件

6.3 如何选择正确的工具

6.3.1 什么时候用Cython

6.3.2 什么时候用PyPy

6.4 小结

第7章 用Numba、Parakeet和pandas实现极速数据处理

7.1 Numba

7.1.1 安装

7.1.2 使用Numba

7.2 pandas工具

7.2.1 安装pandas

7.2.2 用pandas做数据分析

7.3 Parakeet

7.3.1 安装Parakeet

7.3.2 Parakeet是如何工作的

7.4 小结

第8章 付诸实践

8.1 需要解决的问题

8.1.1 从网站上抓取数据

8.1.2 数据预处理

8.2 编写初始代码

8.2.1 分析代码性能

8.2.2 数据分析代码的优化

8.3 小结