内存占用：正常。

cpU 占用率，却在几个特定的脚本执行时，反复拉高到100%，红得刺眼。

程序并没有卡死，终端里的进度条还在走。

但它比江临预期的慢，慢得非常不合理。

对于现实世界里的大多数数据科学家或者量化研究员来说，遇到这个情况，第一反应绝对是，机器不够强。

“老板，我们要买更好的 cpU，换 Amd 的线程撕裂者。”

“要加更大的内存，把数据全塞进内存里。”

“上AwS云服务器，开个 124 核的实例并行跑。”

用硬件的暴力去掩盖软件的低效，这是和平年代，资源充沛环境下的通病。

但这不是江临的第一反应。

在他的脑海深处，那个属于【废土世界】的倒计时始终存在。

在资源枯竭的废土里，永远没有再买一台的选项。

在那里，机器慢，不能先要资源，必须先问。

为什么慢？

是什么在吃掉算力？

江临果断按下了 ctrl+c，停掉了后续的扫描任务。

打开python的性能分析工具，将刚才那段跑得极慢的代码用cprofile 重新包起来，然后接入SnakeViz进行可视化分析。

二十分钟后，一份详细的调用栈火焰图出现在屏幕上。

真正的瓶颈浮出水面。

在调用栈里吞掉最多墙钟时间的怪物，不是那些几百万行的大矩阵乘法。

不是复杂的hdF5文件读取，不是前端渲染的图表生成，也不是某个玄学的机器学习复杂模型。

而是几个小得近乎不起眼的动作：排序、排名、分桶。

在量化回测中，经常需要在特定的行业特定的市值区间内，对股票的因子暴露值进行中性化和排序。

每次参与排序的股票可能不多，只有五个、八个、或者十六个。

单独看，给五个数排序，不管用什么算法，每一次都快得像没有成本，连一毫秒都不需要。

但问题在于乘数效应。

qF-oLdLIb-001里有四百多个因子。

三年历史版本。

多个动态调整的样本池。

多种回测配置。

每一天，每一个行业，每一个状态标记、每一个数据版本，都要切出一层层的横截面进行分组排名。

于是，这些微小的小动作被嵌套在庞大的循环网里，被反复调用。

江临把调用栈里耗时最高的那个函数次数打印了出来

七千八百四十二万一千九百零六次。

看着这个天文数字，他沉默了十几秒，然后在项目的audit_log.

md里，他敲下了这样一段话。
本章未完，请翻下一页继续阅读.........