在Python项目里，如果怀疑代码存在性能瓶颈，应当用哪些方法和工具去定位并分析执行性能？请说明分析的步骤和常用手段。

回答思路

1. 【回答框架 1】性能分析第一步是测量而非猜测，先通过profile工具定位热点。常用cProfile统计函数调用次数与耗时，输出排序结果找出最耗时的函数或调用链。
2. 【回答框架 2】对于单行或表达式级别的耗时，可用timeit模块精确测量小段代码的执行时间，适合对比不同实现方式的性能差异。
3. 【回答框架 3】内存与异步场景需补充工具：memory_profiler逐行分析内存占用，cProfile对多线程和异步任务统计不准确，应使用py-spy或异步专用分析器。
4. 【回答框架 4】定位热点后，依据原因采取优化策略：算法或数据结构改进、减少重复计算、使用内置函数或库、考虑缓存或并发。优化需用基准测试验证收益，并注意可读性与维护成本。
5. 【回答框架 5】整体流程是：先用cProfile找出热点函数，再缩小范围用timeit或逐行分析精确到代码片段，针对性优化后回归测试性能，确保没有引入错误。
6. 【关键点 1】cProfile是Python标准库自带的函数级性能分析工具，能给出各函数调用次数和累计耗时。
7. 【关键点 2】timeit适用于微基准测试，测量单条语句或表达式的执行时间，需多次运行取平均值。
8. 【关键点 3】性能分析应遵循先测量后优化的原则，避免根据直觉盲目修改代码。
9. 【关键点 4】优化后要通过对比基准测试验证效果，并确保功能正确性不受影响。
10. 【关键点 5】内存和I/O密集场景需结合memory_profiler或异步专用分析工具，不能仅依赖cProfile。
11. 【易错点 1】不要仅凭直觉猜测性能瓶颈，必须先通过性能分析工具获得数据支撑。
12. 【易错点 2】timeit测量时需关闭垃圾回收或处理其影响，否则测试结果可能失真。
13. 【易错点 3】cProfile本身会带来性能开销，分析结果反映的可能是分析器的开销而非真实热点。