Какие делал оптимизации производительности

1. Профилирование кода с помощью cProfile или line_profiler для выявления узких мест.
2. Оптимизация алгоритмов – замена O(n²) на O(n log n) или O(n) где возможно.
3. Использование встроенных функций (map, filter, itertools) вместо циклов.
4. Кеширование через functools.lru_cache для рекурсивных/тяжелых функций.
5. Векторизация операций с numpy вместо чистого Python.

Пример:

# Было (медленно)
result = []
for x in range(10_000):
    result.append(x * 2)

# Стало (быстрее)
result = [x * 2 for x in range(10_000)]  # или numpy.arange(10_000) * 2

6. JIT-компиляция через numba для математических операций.
7. Работа с памятью – генераторы (yield) для больших данных.
8. Асинхронность (asyncio) для I/O-bound задач.
9. Выбор структур данных – set для поиска, deque для FIFO.
10. Сборщик мусора – ручное управление (gc.disable() в критичных местах).

Для CPU-bound задач – параллелизм (multiprocessing), для I/O – асинхронность.