Python函数调用开销主要源于栈帧分配与上下文切换，CPython不内联且无法省略栈帧；高频小函数应避免无意义封装，优先用列表推导而非map+命名函数；lru_cache仅跳过函数体执行但不省栈帧；彻底消除栈帧需C扩展或Cython内联。

函数调用开销主要来自栈帧分配和上下文切换

Python 中每次函数调用都会创建新栈帧（frame），包含局部变量、代码对象引用、异常状态等。这个过程本身不便宜，尤其在高频小函数（如循环内回调）中会明显拖慢速度。CPython 解释器不会自动内联，也不会省略栈帧——哪怕函数只有一行 return。

避免无意义的封装：用 lambda 或内联表达式替代单行函数

常见错误是把简单逻辑硬拆成命名函数，只为“可读性”或“复用”，结果引入不必要开销。比如在 map() 或列表推导中调用自定义函数：

def square(x):
    return x * x
list(map(square, data))  # 比直接用 lambda 多一次栈帧

改用 lambda 或直接写表达式更轻量：

• list(map(lambda x: x * x, data)) —— 仍需构建函数对象，但跳过命名查找和额外栈帧
• [x * x for x in data] —— 最优，无函数调用，纯字节码循环

注意：lambda 本身不是零成本（它也是函数对象），但比命名函数少一次全局/局部名查找 + 少一层调用层级。

用 @functools.lru_cache() 抑制重复调用，而非减少单次开销

有人误以为 lru_cache 能“降低调用开销”，其实它不省栈帧，而是跳过函数体执行。适用于有重复参数的场景，比如递归或配置解析：

from functools import lru_cache
@lru_cache(maxsize=128)
def expensive_parse(s):
return json.loads(s.strip())

关键点：

• 缓存命中时仍会进入函数、创建栈帧，但立刻 return 缓存值 —— 栈帧无法跳过
• 若参数几乎不重复（如时间戳、UUID），加缓存反而增加哈希和字典查找开销
• maxsize=None 会持续增长内存，生产环境慎用

真正能消除栈帧的方案：C 扩展或 cython 内联

纯 Python 层面无法绕过栈帧机制。唯一可靠消除方式是让逻辑运行在 C 层：

• 用 cython 编译带 def 的函数为 C 函数，再用 cdef 声明内联函数（cdef inline int add(int a, int b):），调用时不进 Python 栈
• 用 ctypes 或 cffi 直接调用已编译的 C 函数，完全避开 Python 解释器调度

例如 Cython 中：

cdef inline double fast_norm(double x, double y):
    return sqrt(x*x + y*y)
调用 fast_norm(3.0, 4.0) 不产生 Python 栈帧

这类优化只在热点路径（如数值计算内层循环）值得投入。日常业务逻辑里，花时间优化单次函数调用不如检查算法复杂度或 I/O 阻塞点。