cProfile¶

cProfile es un profiler nativo de Python que permite analizar la ejecución de programas, proporcionando información detallada sobre:

Número de llamadas a cada función
Tiempos de ejecución (total y por llamada)
Estadísticas de uso de memoria (en algunas implementaciones)
Jerarquía de llamadas entre funciones

Ejemplo de uso¶

from cProfile import Profile
from pstats import SortKey, Stats
from functools import lru_cache

@lru_cache(maxsize=None)
def fibonacci(n):
    """Implementación de Fibonacci con memoización usando lru_cache"""
    if n <= 1:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

def fibonacci_recursive(n):
    """Implementación recursiva simple de Fibonacci (sin optimización)"""
    if n <= 1:
        return n
    return fibonacci_recursive(n - 1) + fibonacci_recursive(n - 2)

if __name__ == "__main__":
   n = 35

   print("Sin memoization:")
   with Profile() as profiler:
       print(fibonacci_recursive(n))
       (
           Stats(profiler)
           .sort_stats(SortKey.CUMULATIVE)
           .print_stats()
       )

   print("Con memoization:")
   with Profile() as profiler:
         print(fibonacci(n))
         (
              Stats(profiler)
              .sort_stats(SortKey.CUMULATIVE)
              .print_stats()
         )

Sin memoization:
9227465
         29860713 function calls (10 primitive calls) in 12.023 seconds

   Ordered by: cumulative time

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
29860703/1   12.023    0.000   12.023   12.023 /home/cardel/repositorios/infra/clase4/ejemplo3.py:11(fibonacci_recursive)
        1    0.000    0.000    0.000    0.000 /usr/lib/python3.13/pstats.py:108(__init__)
        1    0.000    0.000    0.000    0.000 /usr/lib/python3.13/pstats.py:118(init)
        1    0.000    0.000    0.000    0.000 /usr/lib/python3.13/pstats.py:137(load_stats)
        1    0.000    0.000    0.000    0.000 /usr/lib/python3.13/cProfile.py:54(create_stats)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
        1    0.000    0.000    0.000    0.000 {built-in method builtins.print}
        1    0.000    0.000    0.000    0.000 {built-in method builtins.isinstance}
        1    0.000    0.000    0.000    0.000 {built-in method builtins.hasattr}
        1    0.000    0.000    0.000    0.000 {built-in method builtins.len}


Con memoization:
9227465
         45 function calls (10 primitive calls) in 0.000 seconds

   Ordered by: cumulative time

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     36/1    0.000    0.000    0.000    0.000 /home/cardel/repositorios/infra/clase4/ejemplo3.py:5(fibonacci)
        1    0.000    0.000    0.000    0.000 /usr/lib/python3.13/pstats.py:108(__init__)
        1    0.000    0.000    0.000    0.000 /usr/lib/python3.13/pstats.py:118(init)
        1    0.000    0.000    0.000    0.000 /usr/lib/python3.13/pstats.py:137(load_stats)
        1    0.000    0.000    0.000    0.000 /usr/lib/python3.13/cProfile.py:54(create_stats)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
        1    0.000    0.000    0.000    0.000 {built-in method builtins.print}
        1    0.000    0.000    0.000    0.000 {built-in method builtins.hasattr}
        1    0.000    0.000    0.000    0.000 {built-in method builtins.isinstance}
        1    0.000    1.000    0.000    0.000 {built-in method builtins.len}

Sin memoización (implementación recursiva simple)¶

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

29860713 function calls (10 primitive calls) in 12.023 seconds

Estadísticas críticas:¶

29,860,703 llamadas a fibonacci_recursive
12.023 segundos de tiempo total de ejecución
Complejidad exponencial: \(O(2^n) \approx 2^{35}\) = 34,359,738,368 operaciones (teórico)
29.8 millones de llamadas reales (el profiler captura menos debido a casos base)

Interpretación:¶

Cada llamada a Fibonacci(n) genera 2 llamadas recursivas
Cálculos redundantes masivos: Fibonacci(3) se calcula millones de veces
Tiempo de ejecución prohibitivo para valores mayores
Demuestra por qué la recursión simple es inviable para Fibonacci

Con memoización (usando lru_cache)¶

Resultado: 9,227,465 (mismo resultado correcto)

45 function calls (10 primitive calls) in 0.000 seconds

Estadísticas críticas:¶

Solo 36 llamadas a fibonacci (35 valores + caso base)
Tiempo insignificante: < 0.001 segundos
Complejidad lineal: O(n) - solo se calcula cada valor una vez
45 llamadas totales (incluyendo overhead del sistema)

Interpretación:¶

@lru_cache almacena resultados previamente calculados
Evita recomputación redundante completamente
Reduce las llamadas de 29.8 millones a solo 36
Reduce el tiempo de 12 segundos a milisegundos

Comparativa directa¶

Métrica	Sin memoización	Con memoización	Mejora
Llamadas a Fibonacci	29,860,703	36	829,464x
Tiempo total	12.023 segundos	< 0.001 segundos	> 12,000x
Complejidad	O(2^n) exponencial	O(n) lineal	Exponencial → Lineal
Escalabilidad	Inviable para n > 40	Factible para n > 1000	Múltiples órdenes de magnitud

Conclusión¶

La memoización transforma un algoritmo exponencialmente costoso en uno linealmente eficiente: - Mismo resultado: Ambas implementaciones calculan correctamente Fibonacci(35) - Diferencia radical en rendimiento: de segundos a microsegundos - Impacto práctico: Hace viable el cálculo de valores grandes de Fibonacci - Demostración poderosa del valor de la optimización algorítmica

Esta comparación ilustra por qué las técnicas de optimización como memoización y programación dinámica son esenciales en desarrollo de software.

Características principales¶

1. Estadísticas del Profiler¶

El objeto Profile captura: - ncalls: Número total de llamadas a cada función - tottime: Tiempo total gastado en la función (excluyendo sub-llamadas) - cumtime: Tiempo acumulado (incluyendo sub-llamadas) - percall: Tiempo por llamada (tottime/ncalls o cumtime/ncalls)

2. Memoización con lru_cache¶

@lru_cache(maxsize=None) es un decorador que: - Almacena resultados de llamadas anteriores - Evita recomputación redundante en funciones recursivas - Reduce la complejidad temporal de O(2^n) a O(n) para Fibonacci

3. Decoradores en Python¶

Las anotaciones (@decorator) son azúcar sintáctico que: - Reciben una función como parámetro - Retornan una función modificada o envuelta - Permiten agregar funcionalidad sin cambiar el código original

Resultados esperados¶

Sin memoización: - Alto número de llamadas recursivas (~O(2^n)) - Tiempo de ejecución significativo - Múltiples llamadas redundantes

Con memoización: - Número lineal de llamadas (O(n)) - Tiempo de ejecución drásticamente reducido - Reutilización de resultados previamente calculados

Uso desde línea de comandos¶

# Ejecutar programa con cProfile
python -m cProfile mi_programa.py

# Ordenar por tiempo acumulado
python -m cProfile -s cumulative mi_programa.py

# Guardar resultados en archivo
python -m cProfile -o resultados.prof mi_programa.py

# Analizar archivo guardado
python -m pstats resultados.prof

Limitaciones y consideraciones¶

Overhead: cProfile introduce overhead significativo (~10-30%)
No mide memoria: Solo tiempos de ejecución (usar memory_profiler para memoria)
Granularidad: No proporciona información a nivel de línea
Alternativas: Para profiling más detallado, considerar line_profiler o pyinstrument

cProfile es ideal para identificar cuellos de botella a nivel de función y optimizar el flujo de ejecución del programa.