python启动慢主因是顶层导入pandas、torch等重型模块，延迟加载可减少30%～60%冷启时间；推荐函数内import、importlib.import_module和__getattr__三种方式，并需规避循环导入、跨分支使用及副作用等陷阱。
Python 启动慢，八成是因为 import pandas、import torch 这类重型模块在顶层就全量加载——不是代码跑得慢，是还没开始跑，Python 就已经在初始化一堆根本用不到的东西。延迟加载能直接砍掉 30%～60% 冷启时间，但必须选对时机、避开典型陷阱。
函数内 import 是最安全、最易落地的懒加载方式
把 import 语句从模块顶层移到具体函数内部，是最轻量、副作用最小的延迟策略。
- ✅ 适用场景：该模块只在某个函数里用，且该函数不是每次启动必调（比如 CLI 的
backup子命令才用boto3，serve才用uvicorn） - ⚠️ 注意作用域：函数内
import pandas as pd只在该函数作用域生效，不能被同模块其他函数直接引用 - ? 重复调用无性能损失：CPython 会缓存已加载模块，第二次进入函数时
import是幂等的，直接返回sys.modules中的对象 - ❌ 不适用于类型注解：如果写
def f() -> pd.DataFrame:，Python 会在模块加载阶段尝试解析pd，强制你提前导入；此时需配合from __future__ import annotations
用 importlib.import_module 动态控制加载时机
当模块名需要运行时决定（比如插件系统、配置驱动的后端切换），importlib.import_module 比函数内静态 import 更灵活。
- ✅ 等价于
from package import submodule，但不支持import a.b.c这种语法形式 - ⚠️ 必须自己缓存：不加缓存的话，每次调用都走一遍查找+加载流程；推荐用模块级字典或
@functools.lru_cache - ❗ 错误延后暴露：模块不存在、C 扩展缺失、路径错误等，都会在首次调用时抛出
ModuleNotFoundError或ImportError，而非启动时 - ? 典型用法：
module = importlib.import_module(config.database_driver)，让不同环境加载不同 ORM 驱动
用 __getattr__ 实现透明代理式懒加载
多个函数共用同一组可选依赖（如 rich、pydantic），又不想每个函数都写一遍 import，可用 Python 3.7+ 的模块级 __getattr__ 做按需代理。
- ✅ 写一次注册逻辑，所有属性访问自动触发延迟加载，调用方完全无感
- ⚠️ 不能用于
__init__.py：如果该模块被其他包通过from pkg import module方式导入，__getattr__不会被触发 - ⚠️ 类型检查受限：静态分析工具（如 mypy）无法推断代理属性的真实类型，需额外加 type ignore 或 stub 文件
- ? 示例模式：
_lazy_map = {"DataFrame": ("pandas", "DataFrame"), "validate": ("pydantic", "validate")}，访问module.DataFrame时才执行import pandas
别踩这些坑：延迟加载的常见失效点
看似只是剪切粘贴 import 语句，但几个细节没处理好，反而导致运行时错误或性能倒退。
- ? 别在循环里
import：即使模块已缓存，反复查找仍消耗 CPU；应统一提到函数开头 - ? 别在
if分支里import后跨分支使用：作用域限制会导致NameError，哪怕逻辑上“一定会进这个分支” - ? 别忽略副作用：如果模块有自动注册、全局配置修改等行为（如
matplotlib.use("Agg")），延迟加载会让副作用也延后，可能破坏预期状态 - ? 先定位再优化：用
python -X importtime -c "import your_module"查真实瓶颈，别盲目优化json或os这类轻量模块
延迟加载不是给所有 import 加个函数壳就完事——它本质是把“启动时必须做的事”，变成“用到时才做的事”。真正要花力气的地方，是判断哪些模块真的“用不到”，以及确保延迟之后的行为和原先一致。这点容易被忽略，但决定了优化是真提速，还是埋雷。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
