Pyinstrument¶

Instalación¶

pip install pyinstrument

Ejemplo de uso¶

from pyinstrument import Profiler
from functools import lru_cache

@lru_cache(maxsize=None)
def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

def fibonacci_recursive(n):
    if n <= 1:
        return n
    return fibonacci_recursive(n - 1) + fibonacci_recursive(n - 2)

if __name__ == "__main__":
   n = 35
   print("Sin memoization:")
   with Profiler(interval=0.1) as profiler:
       print(fibonacci_recursive(n))
   print(profiler.output_text(unicode=True, color=True))

   print("Con memoization:")
   with Profiler(interval=0.001) as profiler:
         print(fibonacci(10*n))
   print(profiler.output_text(unicode=True, color=True))

Análisis de Rendimiento: Fibonacci con y sin Memoización¶

🔴 Sin Memoización (Implementación Recursiva Simple)¶

Resultado: 9,227,465 (Fibonacci de 35)

📊 Métricas de Ejecución¶

⏱️  Duración total: 11.351 segundos
⚡ Tiempo de CPU: 11.258 segundos  
📈 Muestras recolectadas: 113

🎯 Análisis del Perfil¶

100% del tiempo en fibonacci_recursive (11.3s)
└─ Profundidad recursiva extrema (20+ niveles)
   ├─ 10.7s en ramas recursivas profundas
   │  ├─ 10.2s en cálculos redundantes
   │  │  ├─ 9.5s recomputando valores ya calculados
   │  │  │  ├─ 8.3s en llamadas exponenciales
   │  │  │  │  ├─ 6.8s en operaciones innecesarias
   │  │  │  │  │  ├─ 4.3s en cálculos duplicados
   │  │  │  │  │  │  ├─ 2.2s Fibonacci(n-1) + Fibonacci(n-2)
   │  │  │  │  │  │  └─ 2.1s [self] - tiempo en función actual
   │  │  │  │  │  └─ 2.5s [self] - overhead de llamadas
   │  │  │  │  └─ 1.5s [self] - gestión de stack
   │  │  │  └─ 1.2s [self] - retornos y sumas
   │  │  └─ 0.7s [self] - casos base
   │  └─ 0.5s [self] - control de flujo
   └─ 0.4s [self] - retorno final

⚠️ Problemas Identificados¶

Complejidad exponencial: O(2ⁿ) - 29.8 millones de llamadas
Recomputación masiva: Mismos valores calculados repetidamente
Overhead de llamadas: 95% del tiempo en gestión de stack
Ineficiencia extrema: 11.3s para un cálculo que debería ser instantáneo

🟢 Con Memoización (Usando lru_cache)¶

Resultado: 6.25e+75 (Fibonacci de 350 - valor enorme)

📊 Métricas de Ejecución¶

⏱️  Duración total: 0.001 segundos
⚡ Tiempo de CPU: 0.001 segundos
📈 Muestras recolectadas: 1

🎯 Análisis del Perfil¶

Tiempo insignificante (0.000s) - Completó instantáneamente
└─ Overhead del profiler (0.000s)
   └─ Funciones internas de Pyinstrument

✅ Ventajas Obtenidas¶

Complejidad lineal: O(n) - solo 36 llamadas reales
Sin recomputación: Cada valor calculado una sola vez
Rendimiento óptimo: De 11.3s → 0.001s (11,300x más rápido)
Escalabilidad: Capaz de calcular Fibonacci(350) instantáneamente

📈 Comparativa Resumida¶

Métrica	Sin Memoización	Con Memoización	Mejora
⏱️ Tiempo	11.351 segundos	0.001 segundos	11,350x
📞 Llamadas	~29.8 millones	36	827,777x
🧠 Complejidad	O(2ⁿ) Exponencial	O(n) Lineal	Exponencial → Lineal
💾 Memoria	Stack overflow risk	Cache controlado	Estable vs Riesgoso

🎯 Conclusión¶

La memoización transforma un algoritmo inviable (exponencial) en uno eficiente (lineal), demostrando el poder de la optimización algorítmica mediante el almacenamiento inteligente de resultados intermedios.

Análisis de los resultados¶

Sin memoización (Fibonacci recursivo simple)¶

Duration: 11.351    CPU time: 11.258
Samples: 113

Características: - 113 muestras tomadas durante 11.351 segundos - 100% del tiempo en fibonacci_recursive (11.3 segundos) - Profundidad de pila extrema: Múltiples niveles de recursión anidada - Distribución de tiempo: Mayoría del tiempo en llamadas recursivas profundas - Colores indican intensidad: Rojo (más tiempo) → Verde (menos tiempo)

Con memoización (Fibonacci con lru_cache)¶

Duration: 0.001     CPU time: 0.001
Samples: 1

Características: - Solo 1 muestra en 0.001 segundos - Tiempo insignificante: Operación completada casi instantáneamente - Overhead del profiler: La salida muestra principalmente funciones internas de Pyinstrument - Eficiencia extrema: De 11.3 segundos a 0.001 segundos

Funcionamiento de Pyinstrument¶

Perfilador estadístico¶

Muestreo por intervalos: Toma "fotos" del stack trace a intervalos regulares
Intervalo configurable: interval=0.1 (100ms) vs interval=0.001 (1ms)
Estimación estadística: Inferencia del comportamiento basado en muestras

Ventajas sobre cProfile¶

Menor overhead: ~2-5% vs ~10-30% de cProfile
Más representativo: Menor perturbación del comportamiento normal del programa
Visualización jerárquica: Muestra la estructura de llamadas en árbol
Salida colorizada: Facilita identificar puntos críticos

Configuración del intervalo¶

Intervalo grande (0.1s): Para operaciones lentas, reduce overhead
Intervalo pequeño (0.001s): Para operaciones rápidas, mayor precisión
Adaptativo: Pyinstrument puede ajustar el intervalo automáticamente

Interpretación de la salida¶

Elementos visuales¶

Barra coloreada: Longitud proporcional al tiempo consumido
Colores: Rojo (mucho tiempo), Amarillo (medio), Verde (poco tiempo)
Estructura arbórea: Jerarquía de llamadas con sangrado
[self]: Tiempo gastado en la función misma (no en sub-llamadas)

Métricas clave¶

Samples: Número de muestras recolectadas
Duration: Tiempo real transcurrido
CPU time: Tiempo de CPU utilizado
Porcentajes: Distribución relativa del tiempo

Pyinstrument es ideal para: - Identificar cuellos de botella en aplicaciones reales - Perfilar con mínimo impacto en rendimiento - Visualizar la estructura de ejecución del programa - Comparar el rendimiento antes/después de optimizaciones