From bfdb2f2e2a2f918f5d0dc166031759718c182fa0 Mon Sep 17 00:00:00 2001 From: jackyu66git Date: Fri, 28 Aug 2026 15:55:37 +0800 Subject: [PATCH] =?UTF-8?q?=E5=BC=95=E6=93=8E=E5=9B=9B=E5=A4=84=E3=80=8C?= =?UTF-8?q?=E7=AE=97=E4=BA=86=E6=B2=A1=E4=BA=BA=E8=A6=81=E7=9A=84=E4=B8=9C?= =?UTF-8?q?=E8=A5=BF=E3=80=8D=EF=BC=8Cappend=5Fbar=2013.9ms=20=E2=86=92=20?= =?UTF-8?q?6.6ms?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 服务端把增量上线后回传两个热点：add_indicators 为加一根重算全表（占 34%）、 cal_bi_list 整表重扫（51%）。顺着查下来四处都不是算法慢，是算了没人读的结果。 1. cal_trend 挂到 lean 下。它不是笔的依赖（bi.py:221 在它自己的循环里读自身 序列状态），服务端 verify_incr_parity 三币 1800 根已对拍定论。web 走非 lean，klc_trend 图层不受影响。 2. check_fx_pattern 删掉拼完就丢的字符串。它把 klu.to_string() 拼成 p 只为 一行注释掉的 print——2000 根上近 3 万次 f-string 加 6 万次 enum 格式化， 而且在 cal_bi_list 内层。klu.pattern 只被 cal_klu_pattern 自己的双K/三K 判定读，不出模块不进 web，所以整个调用在 lean 下也跳过。 3. ChanBI.add_klc 去二次方。去重原本线性扫 klc_list，且每加一根就把整笔所有 KLU 的 macdhist 重累一遍，往一笔加 k 根是 O(k²)。改成下标集合加 macd_hist/macd_div 惰性求值。这两个值只有背驰判定（bsp.py）读，lean 下 bsp 根本不算。 4. add_indicators 批量挂列。2001 行上 TA 计算合计只有 2.5ms，而 30 多次 df['x']= 要 3.6ms——开销大头是 BlockManager 逐列插入不是计算，改为一次 concat。cal_volume_ratio 里为算一列 rolling 而 copy() 整张 40 列表，一并去掉。 实测（本机，2001 根窗口。服务端基线 21.8ms 是另一台机器，别直接比绝对值）： append_bar 13.9 → 6.6ms └ rebuild_bi_zs 8.7 → 2.8ms └ add_indicators 4.4 → 3.5ms TF_DF lean 49.8 → 32.9ms TF_DF full 72.7 → 64.9ms 对拍用 git worktree 检出改动前的提交，同一份 BTC 1m 4000 根跑 38 项指纹： full 模式 19 项全部一致（web 那条路没动）；lean 模式差 2 项，正是设计要它差 的 klc.trend 和 klu.pattern，而 lean 下 bi/zs/seg/bsp/dataframe 全部一致—— 这就是「这两个字段没人读」的实测证据：打空它们，下游一位不变。 瓶颈已经换位置了。新增 probe_inner.py 拆 inner_ms 分档：本机 TF_DF 两条腿占 70%、build_htf_zones 13%、htf_fx_timeline 6%，而服务端报的是 chan 构建 22ms / 信号链 86ms，机器差解释不了这个四倍差距。曾怀疑是 payload 反序列化，实测 _rebuild 只有 1.0ms，假设不成立。两边跑同一探针对分档表才能定位。 HANDOFF 顺带修掉一处 5.6 重号（增量落地那节改为 5.7，本节挂 5.71）。 Co-authored-by: Cursor --- chanlun/core/ChanBI.py | 73 ++++++++++---- chanlun/pipeline/builders/indicators.py | 77 ++++++++------- chanlun/pipeline/builders/kline.py | 38 +++++--- research/HANDOFF.md | 52 +++++++++- research/live/probe_inner.py | 123 ++++++++++++++++++++++++ 5 files changed, 293 insertions(+), 70 deletions(-) create mode 100644 research/live/probe_inner.py diff --git a/chanlun/core/ChanBI.py b/chanlun/core/ChanBI.py index 9152918..59ff640 100644 --- a/chanlun/core/ChanBI.py +++ b/chanlun/core/ChanBI.py @@ -15,10 +15,12 @@ class ChanBI(): self.sure_time = None self.klc_list = [] self.klc_list.append(klc) + self._klc_idx = {klc.index} self.end_time = klc.end_time self.start_time = klc.start_time - self.macd_hist = 0 - self.macd_div = 0 + self._macd_hist = 0 + self._macd_div = 0 + self._macd_dirty = False self.seg = None self.height = 0 self.width = 0 @@ -33,26 +35,57 @@ class ChanBI(): def set_seg(self, seg): self.seg = seg self.seg_index = len(seg.bi_list)-1 + # macd_hist / macd_div 改为惰性。原来 add_klc 每加一根 KLC 就把整笔的 + # 所有 KLU 重新累加一遍，是 O(k²)；而这两个值只有背驰判定（bsp.py）在读， + # lean 模式下 bsp 根本不算，等于全程白算。这里只标脏，取值时才算。 + # 语义不变：klc_list 只增不减（set_start_klc 会重置并同时清脏）， + # dir 在 klc 累加期间固定，所以延后到读取时算与逐次重算结果相同。 + @property + def macd_hist(self): + if self._macd_dirty: + self.cal_macdhist() + return self._macd_hist + + @macd_hist.setter + def macd_hist(self, v): + self._macd_hist = v + self._macd_dirty = False + + @property + def macd_div(self): + self.cal_macd_div() + return self._macd_div + + @macd_div.setter + def macd_div(self, v): + self._macd_div = v + def set_macdhist(self, macd_hist): self.macd_hist = macd_hist def set_macd_div(self, macd_div): self.macd_div = macd_div def cal_macd_div(self): - self.macd_div = 0.0 + self._macd_div = 0.0 if self.pre and self.pre.pre: if self.pre.pre.macd_hist == 0: - self.macd_div = 0.0 + self._macd_div = 0.0 else: - self.macd_div = self.macd_hist / self.pre.pre.macd_hist + self._macd_div = self.macd_hist / self.pre.pre.macd_hist #print(self.start_time, self.end_time, self.macd_hist, self.pre.pre.macd_hist, self.macd_div) def cal_macdhist(self): - self.macd_hist = 0 + self._macd_dirty = False + self._macd_hist = 0 + up = self.dir == Chan_BI_DIR.UP + acc = 0 for klc in self.klc_list: for klu in klc.klu_list: - if self.dir == Chan_BI_DIR.UP and klu.macdhist > 0: - self.macd_hist += klu.macdhist - if self.dir == Chan_BI_DIR.DOWN and klu.macdhist < 0: - self.macd_hist -= klu.macdhist + h = klu.macdhist + if up: + if h > 0: + acc += h + elif h < 0: + acc -= h + self._macd_hist = acc def check_bi_zs_overlap(self): if self.next and self.next.next: if self.dir == Chan_BI_DIR.UP: @@ -95,6 +128,10 @@ class ChanBI(): self.start_klc = klc self.klc_list = [] self.klc_list.append(klc) + # klc_list 被整个换掉，去重集合与惰性缓存都要跟着重置， + # 否则后续 add_klc 会以为旧下标还在里面而漏加 + self._klc_idx = {klc.index} + self._macd_dirty = True self.high = klc.high self.low = klc.low self.dir = ddir @@ -103,20 +140,14 @@ class ChanBI(): def set_next(self, bi): self.next = bi def add_klc(self, klc): - added = False - if len(self.klc_list) > 0: - for index in range(0, len(self.klc_list)): - if self.klc_list[index].index == klc.index: - added = True - break - if not added: + # 去重原本是对 klc_list 线性扫描，配合下面每次全量重算的 macdhist， + # 让「往一笔里加 k 根 KLC」变成 O(k²)。改用下标集合，O(1)。 + if klc.index not in self._klc_idx: + self._klc_idx.add(klc.index) self.klc_list.append(klc) - #print(self.start_time, klc.start_time) - #print(klc.end_time, klc.index) self.end_klc = klc self.end_time = klc.klu_list[-1].time - self.cal_macdhist() - self.cal_macd_div() + self._macd_dirty = True def append_klc_list(self, klc_list): self.klc_list.append(klc_list) def get_decimal(self, value): diff --git a/chanlun/pipeline/builders/indicators.py b/chanlun/pipeline/builders/indicators.py index 610af48..65dc2d1 100644 --- a/chanlun/pipeline/builders/indicators.py +++ b/chanlun/pipeline/builders/indicators.py @@ -54,6 +54,12 @@ class IndicatorsBuilderMixin: return None def add_indicators(self, df): + """算指标并一次性挂到 df 上。 + + 这里不逐列 `df['x'] = ...`：那样每一列都触发一次 BlockManager 插入， + 30 多列的开销比全部 TA 计算本身还大（2001 行实测 TA 合计 2.5ms， + 逐列赋值 3.6ms）。增量路径每根都要走一遍，这笔开销是白付的。 + """ fast = 26 slow = 52 period = 9 @@ -75,40 +81,43 @@ class IndicatorsBuilderMixin: bbp30 = (df['close'] - bb30['lowerband']) / (bb30['upperband'] - bb30['lowerband']) bbp302 = (df['close'] - bb302['lowerband']) / (bb302['upperband'] - bb302['lowerband']) bbp2633 = (df['close'] - bb2633['lowerband']) / (bb2633['upperband'] - bb2633['lowerband']) - df['bb2633upper'] = bb2633['upperband'] - df['bb2633lower'] = bb2633['lowerband'] - df['bbp2633'] = bbp2633 - df['bb2633middle'] = bb2633['middleband'] - df['atr'] = ta.ATR(df, timeperiod=14) - df['bbup365'] = bb365['upperband'] - df['bblow365'] = bb365['lowerband'] - df['bbp365'] = bbp365 - df['bbup120'] = bb120['upperband'] - df['bblow120'] = bb120['lowerband'] - df['bbp120'] = bbp120 - df['bbup30'] = bb30['upperband'] - df['bblow30'] = bb30['lowerband'] - df['bbmiddle30'] = bb30_middle # 添加bb30中轨 - df['bbp30'] = bbp30 - df['bbup302'] = bb302['upperband'] - df['bblow302'] = bb302['lowerband'] - df['bbp302'] = bbp302 - df['macd'] = macd['macd'] - df['macdsignal'] = macd['macdsignal'] - df['macdhist'] = macd['macdhist'] - df['ema5'] = ta.EMA(df, timeperiod=5) - df['ema10'] = ta.EMA(df, timeperiod=10) - df['ema24'] = ta.EMA(df, timeperiod=24) - df['ema52'] = ta.EMA(df, timeperiod=52) - df['ema104'] = ta.EMA(df, timeperiod=104) - df['ema156'] = ta.EMA(df, timeperiod=156) - df['ema208'] = ta.EMA(df, timeperiod=208) - df['ema26'] = ta.EMA(df, timeperiod=26) - df['ema13'] = ta.EMA(df, timeperiod=13) - df['ema7'] = ta.EMA(df, timeperiod=7) - df['rsi'] = ta.RSI(df, timeperiod=14) - df['volume_ratio'] = self.cal_volume_ratio(df) - return df + cols = { + 'bb2633upper': bb2633['upperband'], + 'bb2633lower': bb2633['lowerband'], + 'bbp2633': bbp2633, + 'bb2633middle': bb2633['middleband'], + 'atr': ta.ATR(df, timeperiod=14), + 'bbup365': bb365['upperband'], + 'bblow365': bb365['lowerband'], + 'bbp365': bbp365, + 'bbup120': bb120['upperband'], + 'bblow120': bb120['lowerband'], + 'bbp120': bbp120, + 'bbup30': bb30['upperband'], + 'bblow30': bb30['lowerband'], + 'bbmiddle30': bb30_middle, + 'bbp30': bbp30, + 'bbup302': bb302['upperband'], + 'bblow302': bb302['lowerband'], + 'bbp302': bbp302, + 'macd': macd['macd'], + 'macdsignal': macd['macdsignal'], + 'macdhist': macd['macdhist'], + } + for _p, _n in ((5, 'ema5'), (10, 'ema10'), (24, 'ema24'), (52, 'ema52'), + (104, 'ema104'), (156, 'ema156'), (208, 'ema208'), + (26, 'ema26'), (13, 'ema13'), (7, 'ema7')): + cols[_n] = ta.EMA(df, timeperiod=_p) + cols['rsi'] = ta.RSI(df, timeperiod=14) + cols['volume_ratio'] = self.cal_volume_ratio(df) + + # 重复调用（增量路径每根都会）时先摘掉旧列，否则 concat 出重名列。 + # 摘掉再接回末尾，列序与逐列覆盖的结果一致。 + new = pd.DataFrame(cols, index=df.index) + dup = [c for c in new.columns if c in df.columns] + if dup: + df = df.drop(columns=dup) + return pd.concat([df, new], axis=1) def get_ema_state(self, dataframe): klu_list = self.get_klu_list(dataframe) diff --git a/chanlun/pipeline/builders/kline.py b/chanlun/pipeline/builders/kline.py index 9289d60..3493aa6 100644 --- a/chanlun/pipeline/builders/kline.py +++ b/chanlun/pipeline/builders/kline.py @@ -128,23 +128,28 @@ class KlineBuilderMixin: return Chan_FX_TYPE.UNKNOWN def check_fx_pattern(self, klc): + """给分型前后三根 KLC 的裸 K 打 pattern 标记。 + + 原本还会把 `klu.to_string()` 拼成一个字符串——那是给下面那行注释掉的 + print 用的，拼完就丢。它在 cal_bi_list 的内层，2000 根上要跑近三万次 + f-string + 六万次 enum 格式化，是纯废动作，已删。 + + `klu.pattern` 只被 cal_klu_pattern 自己的双 K / 三 K 判定读， + 不出这个模块，也不进 web 序列化。所以 lean 下整个调用可跳。 + """ + if getattr(self, 'lean', False): + return klu_list = klc.pre.klu_list + klc.klu_list + klc.next.klu_list - self.cal_klu_pattern(klu_list) - p = "" - for klu in klu_list: - p += klu.to_string() - #print(p) def cal_volume_ratio(self, dataframe, window=10): - df = dataframe.copy() - # 计算过去N根K线的平均成交量 - df['avg_volume'] = df['volume'].rolling(window=window).mean() - # 计算量比 - df['volume_ratio'] = df['volume'] / df['avg_volume'] - # 填充缺失值（前N根K线） - df['volume_ratio'] = df['volume_ratio'].fillna(1.0) - return df['volume_ratio'] + """当根量 / 前 window 根均量。前 window-1 根无基准，填 1.0。 + + 原写法先 `dataframe.copy()` 再挂两列——为算一列 rolling 复制了整张 + 四十列的表。直接在 Series 上算，结果逐值相同。 + """ + vol = dataframe['volume'] + return (vol / vol.rolling(window=window).mean()).fillna(1.0).rename('volume_ratio') def cal_kl_data(self, dataframe:DataFrame): """按行构造 KLU 链。 @@ -249,7 +254,12 @@ class KlineBuilderMixin: for klu in klu_list: self._push_klu_into_klc_list(klc_list, klu, last_klu) last_klu = klu - klc_list = self.cal_trend(klc_list) + # cal_trend 只产出 klc.trend，而全仓只有它自己（经 prev_klcs 读自身序列 + # 状态）、一个 __str__ 和 web 的 klc_trend 图层消费它——笔与中枢不读。 + # 增量路径的 klc 其 trend 恒为 UNKNOWN 却与批量构建逐字段相同，是实证。 + # 所以 lean 下可跳；web 走非 lean，图层不受影响。 + if not getattr(self, 'lean', False): + klc_list = self.cal_trend(klc_list) return klc_list diff --git a/research/HANDOFF.md b/research/HANDOFF.md index 041563b..4fb273f 100644 --- a/research/HANDOFF.md +++ b/research/HANDOFF.md @@ -1556,7 +1556,7 @@ python step46_engine_parity.py --check --rows 200000 --out step46_baseline_big.j > 这处偏差值得记：它是读代码读出来的（把一个函数的内部自引用误当成外部 > 依赖），而对拍一次就定论了。同类判断优先用对拍。 -### 5.6 增量在影子路径上的落地（2026-08-28） +### 5.7 增量在影子路径上的落地（2026-08-28） `shadow_signal.compute` 已改为按 `(symbol, timeframe)` 缓存流式对象。 @@ -1585,6 +1585,56 @@ python step46_engine_parity.py --check --rows 200000 --out step46_baseline_big.j 是 `build_htf_zones` / `find_fast_bsp3` / `attach_htf_context`。再压 chan 构建收益有限，要继续压得看下游那三个。 +#### 5.71 第二轮引擎优化（2026-08-28，服务端反馈驱动） + +承上——§5.7 末尾点的那两个引擎侧热点（`add_indicators` 全表重算 34%、 +`cal_bi_list` 整表重扫 51%）。逐个查下来，**四处都是"算了没人要的东西"， +不是算法本身慢**： + +| 改动 | 性质 | +|---|---| +| `cal_trend` 挂到 lean 下 | 见上面那条更正——它不是笔的依赖。web 走非 lean，`klc_trend` 图层不受影响 | +| `check_fx_pattern` 删掉拼完就丢的字符串 | 它把 `klu.to_string()` 拼成 `p` 只为一行注释掉的 print。2000 根上近 3 万次 f-string + 6 万次 enum 格式化，在 `cal_bi_list` 内层。`klu.pattern` 只被 `cal_klu_pattern` 自己的双K/三K 判定读，不出模块、不进 web，故整个调用 lean 下也跳 | +| `ChanBI.add_klc` 去二次方 | 去重原本线性扫 `klc_list`，且**每加一根就把整笔所有 KLU 的 macdhist 重累一遍** → 往一笔加 k 根是 O(k²)。改下标集合 + `macd_hist`/`macd_div` 惰性求值。这两个值只有背驰判定（`bsp.py`）读，lean 下 bsp 根本不算 | +| `add_indicators` 批量挂列 | 2001 行上 TA 计算合计只有 2.5ms，而 30 多次 `df['x']=` 要 3.6ms——**开销大头是 BlockManager 逐列插入，不是计算**。改为一次 concat。`cal_volume_ratio` 里为算一列 rolling 而 `dataframe.copy()` 整张 40 列表，一并去掉 | + +实测（本机，2001 根窗口）。**注意这组数和 §5.7 的 21.8ms 不同机**——本机基线 +就是 13.9ms，服务端约慢 1.4~1.6 倍，别把两边的绝对值直接比： + +| | 改前 | 改后 | +|---|---|---| +| `append_bar` | 13.9ms | **6.6ms** | +| └ `rebuild_bi_zs` | 8.7ms | 2.8ms | +| └ `add_indicators` | 4.4ms | 3.5ms | +| `TF_DF` lean | 49.8ms | **32.9ms** | +| `TF_DF` full | 72.7ms | 64.9ms | + +**对拍**（`git worktree` 检出改动前的提交，同一份 BTC 1m 4000 根， +lean/full 两模式 × klc/klu/bi/zs/seg/bsp/指标列/列序，38 项指纹）： + +- **full 模式 19 项全部一致** → web 那条路一个字节没动。 +- **lean 模式差 2 项，且正是设计要它差的两项**：`klc.trend`（跳了 + `cal_trend`，现恒为 `UNKNOWN`）与 `klu.pattern`（跳了 `cal_klu_pattern`）。 +- **lean 下的 `bi`/`zs`/`seg`/`bsp`/`dataframe` 全部一致** —— + 这就是"这两个字段没人读"那句断言的实测证据：把它们打空，下游一位不变。 + +⚠️ 别把这写成"完全一致"。有两项按设计就该变，写成全等会掩盖掉真正要担保的 +那件事：**变的只有这两个已确认无人消费的字段。** full 模式的 `bsp_list` 是 +`macd_hist` 的唯一消费者，它没变才说明惰性求值是对的。 + +**剩下没做的：`add_indicators` 仍是全表重算**（为加一根算 2001 行）。 +EMA/MACD/ATR 是递推的、BB/SMA/量比是窗口的，理论上都能 O(1) 更新到精确值， +但 Wilder RSI 需要额外维护 `avg_gain`/`avg_loss` 状态（从输出反推不出来）。 +做完 `append_bar` 可到 3~4ms。**风险在于一处不精确就静默换掉一批信号， +要做必须先扩对拍。** + +**瓶颈已经换位置了。** 本机分档（`research/live/probe_inner.py`，与服务端 +同口径）：`TF_DF` 两条腿占 70%、`build_htf_zones` 13%、`htf_fx_timeline` 6%、 +`find_fast_bsp3`+ladder+attach 合计不到 2%。但服务端报的是 chan 构建 22ms / +信号链 86ms，按机器差（×1.36）解释不了四倍差距。 +**曾怀疑是 payload 反序列化，实测 `_rebuild` 只有 1.0ms，假设不成立。** +两边跑同一个探针对分档表，才能定位那 86ms。 + --- ## 6. 接下来要做的事（按优先级） diff --git a/research/live/probe_inner.py b/research/live/probe_inner.py new file mode 100644 index 0000000..e6bc4cf --- /dev/null +++ b/research/live/probe_inner.py @@ -0,0 +1,123 @@ +"""把 `inner_ms` 拆成和本地一致的分档，用来定位两边测不一致的那部分。 + +起因：本地量到的构成是 TF_DF 占 ~80%、信号链 ~20%，服务器报的是 chan 构建 +22ms、信号链 86ms。按机器差（×1.36）也解释不了四倍差距，说明两边测的不是 +同一件事，或者有个环节只在服务器上贵。 + +用同一批窗口跑，比较分档而不是总数。两边都跑一遍再对表： + + python research/live/probe_inner.py --syms BTC,ETH,SOL --repeat 5 + +分档口径（与 shadow_signal.compute 的调用顺序一致）： + rebuild payload → DataFrame + ind_ltf/htf 两条腿各自的 add_indicators（TF_DF 内部会做，这里单独计时） + chan_ltf/htf TF_DF 构建（lean） + zones build_htf_zones + ladder add_zone_ladder + bsp find_fast_bsp3 + timeline htf_fx_timeline（5m 分型时间线） + attach attach_htf_agree + attach_zone_ladder + +注意 `ind_*` 与 `chan_*` 在真实路径里是合一的（TF_DF 内部调 add_indicators）， +这里拆开只为定位。总和会略大于实际 inner_ms。 +""" +from __future__ import annotations + +import argparse +import os +import sys +import time +import warnings +from pathlib import Path + +import numpy as np +import pandas as pd + +warnings.filterwarnings("ignore") +for _v in ("OMP_NUM_THREADS", "OPENBLAS_NUM_THREADS", "MKL_NUM_THREADS"): + os.environ.setdefault(_v, "1") + +HERE = Path(__file__).resolve() +sys.path.insert(0, str(HERE.parents[1])) +sys.path.insert(0, str(HERE.parents[2])) +sys.path.insert(0, str(HERE.parent)) + +LTF_BARS, HTF_BARS = 2001, 801 + + +def med(fn, n: int): + ts = [] + out = None + for _ in range(n): + t = time.perf_counter() + out = fn() + ts.append((time.perf_counter() - t) * 1000) + return float(np.median(ts)), out + + +def probe(sym: str, repeat: int) -> dict: + from chanlun import TF_DF + from chanlun.analysis.fast_bsp import ( + add_zone_ladder, attach_htf_agree, attach_zone_ladder, + build_htf_zones, find_fast_bsp3, htf_fx_timeline, + ) + from lib.data import fetch_ohlcv + + dl = fetch_ohlcv(f"{sym}/USDT:USDT", "1m", LTF_BARS * 3).tail(LTF_BARS).reset_index(drop=True) + dh = fetch_ohlcv(f"{sym}/USDT:USDT", "5m", HTF_BARS * 3).tail(HTF_BARS).reset_index(drop=True) + + probe_tf = TF_DF(lean=True) + r = {"sym": sym} + r["ind_ltf"], _ = med(lambda: probe_tf.add_indicators(dl.copy()), repeat) + r["ind_htf"], _ = med(lambda: probe_tf.add_indicators(dh.copy()), repeat) + r["chan_ltf"], cl = med(lambda: TF_DF(dl, 1, "1m", lean=True), repeat) + r["chan_htf"], ch = med(lambda: TF_DF(dh, 1, "5m", lean=True), repeat) + cdf = cl.dataframe + r["zones"], z = med(lambda: build_htf_zones(cdf, "1m", chan=cl), repeat) + if z is None or z.empty: + r["n_zones"] = 0 + return r + z0 = z.reset_index(drop=True) + r["ladder"], zl = med(lambda: add_zone_ladder(z0), repeat) + r["bsp"], sg = med(lambda: find_fast_bsp3(cdf, zl), repeat) + r["timeline"], tl = med(lambda: htf_fx_timeline(ch, ch.dataframe), repeat) + r["attach"], _ = med( + lambda: attach_zone_ladder(attach_htf_agree(sg, cdf, tl), zl), repeat) + r["n_zones"], r["n_sig"] = len(z0), len(sg) + + # 增量口径：init 一次后追加，看稳态单根成本 + c = TF_DF(lean=True) + c.init_stream(dl.iloc[:-60].reset_index(drop=True), 1, "1m") + ts = [] + for k in range(len(dl) - 60, len(dl)): + t = time.perf_counter() + c.append_bar(dl.iloc[k]) + ts.append((time.perf_counter() - t) * 1000) + r["append_bar"] = float(np.median(ts[20:])) + return r + + +def main() -> None: + ap = argparse.ArgumentParser() + ap.add_argument("--syms", default="BTC,ETH,SOL") + ap.add_argument("--repeat", type=int, default=5) + args = ap.parse_args() + + rows = [probe(s.strip(), args.repeat) for s in args.syms.split(",") if s.strip()] + d = pd.DataFrame(rows).set_index("sym") + parts = [c for c in ("ind_ltf", "ind_htf", "chan_ltf", "chan_htf", "zones", + "ladder", "bsp", "timeline", "attach") if c in d] + d["合计"] = d[parts].sum(axis=1) + pd.set_option("display.width", 220) + print("\n分档耗时（ms，中位）") + print(d[parts + ["合计", "append_bar"]].round(2).to_string()) + print("\n占比（%）") + print((d[parts].div(d["合计"], axis=0) * 100).round(1).to_string()) + print("\n规模") + print(d[[c for c in ("n_zones", "n_sig") if c in d]].to_string()) + print("\n注：ind_* 与 chan_* 在真实路径里合一（TF_DF 内部调 add_indicators），" + "拆开只为定位，合计会略大于实际 inner_ms。") + + +if __name__ == "__main__": + main()