Python性能分析器时间加总不符：vstack下层方法耗时更长？

• 耗时统计口径差异是最常见的原因：性能分析工具一般会区分两类耗时指标：自身耗时（tottime） 统计函数本身代码执行的时间，不包含它调用的任何子函数的耗时；累计耗时（cumtime） 统计函数从调用到返回的全链路耗时，包含所有子函数的调用耗时。如果你看到的vstack的耗时是自身耗时，下层方法总耗时更高是完全符合统计逻辑的。
• numpy.vstack 本身的实现特性决定了耗时分布：vstack 仅负责参数校验、输入数组维度判断这类轻量逻辑，核心的数组合并操作完全由它调用的底层concatenate方法完成，几乎所有计算耗时都下沉到了下层方法中，自然会出现下层方法总耗时远高于vstack自身耗时的情况。
• 小概率为采样统计误差：如果性能分析工具的采样频率较低，或者目标函数单次调用耗时极短，多次采样的统计偏差叠加可能会出现数值偏差，但这类偏差通常不会超过10%，如果差异较大可以直接排除这个可能性。

你可以通过下方的测试代码复现这个耗时分布特征：

import numpy as np
import cProfile

def test_vstack_perf():
    # 生成100个待合并的二维数组
    arr_list = [np.random.rand(2000, 200) for _ in range(100)]
    return np.vstack(arr_list)

# 按累计耗时排序输出性能分析结果
cProfile.run("test_vstack_perf()", sort="cumtime")

运行后你会看到vstack的自身耗时远低于它调用的concatenate方法的总耗时，和你观测到的现象完全一致。

内容的提问来源于stack exchange，提问作者MrLatinNerd