Python性能分析大全

 虽然运行速度慢是 Python 与生俱来的特点，大多数时候我们用 Python 就意味着放弃对性能的追求。但是，就算是用纯 Python 完成同一个任务，老手写出来的代码可能会比菜鸟写的代码块几倍，甚至是几十倍(这里不考虑算法的因素，只考虑语言方面的因素)。很多时候，我们将自己的代码运行缓慢地原因归结于python本来就很慢，从而心安理得地放弃深入探究。

创新互联公司主要企业基础官网建设，电商平台建设，移动手机平台，微信小程序开发等一系列专为中小企业按需设计网站产品体系；应对中小企业在互联网运营的各种问题，为中小企业在互联网的运营中保驾护航。

但是，事实真的是这样吗?面对python代码，你有分析下面这些问题吗：

程序运行的速度如何?

程序运行时间的瓶颈在哪里?

能否稍加改进以提高运行速度呢?

为了更好了解python程序，我们需要一套工具，能够记录代码运行时间，生成一个性能分析报告，方便彻底了解代码，从而进行针对性的优化(本篇侧重于代码性能分析，不关注如何优化)。

谁快谁慢

假设有一个字符串，想将里面的空格替换为字符‘-’，用python实现起来很简单，下面是四种方案：

 
 

  
  
def slowest_replace():
  
  

  
  
replace_list = []
  
  

  
  
for i, char in enumerate(orignal_str):
  
  

  
  
c = char if char != " " else "-"
  
  

  
  
replace_list.append(c)
  
  

  
  
return "".join(replace_list)
  
  

  
  
def slow_replace():
  
  

  
  
replace_str = ""
  
  

  
  
for i, char in enumerate(orignal_str):
  
  

  
  
c = char if char != " " else "-"
  
  

  
  
replace_str += c
  
  

  
  
return replace_str
  
  

  
  
def fast_replace():
  
  

  
  
return "-".join(orignal_str.split())
  
  

  
  
def fastest_replace():
  
  

  
  
return orignal_str.replace(" ", "-")
 
 

这四种方案的效率如何呢，哪种方案比较慢呢?这是一个问题!

时间断点

最直接的想法是在开始 replace 函数之前记录时间，程序结束后再记录时间，计算时间差即为程序运行时间。python提供了模块 time，其中 time.clock() 在Unix/Linux下返回的是CPU时间(浮点数表示的秒数)，Win下返回的是以秒为单位的真实时间(Wall-clock time)。

由于替换函数耗时可能非常短，所以这里考虑分别执行 100000次，然后查看不同函数的效率。我们的性能分析辅助函数如下：

 
 

  
  
def _time_analyze_(func):
  
  

  
  
from time import clock
  
  

  
  
start = clock()
  
  

  
  
for i in range(exec_times):
  
  

  
  
func()
  
  

  
  
finish = clock()
  
  

  
  
print "{:<20}{:10.6} s".format(func.__name__ + ":", finish - start)
 
 

这样就可以了解上面程序的运行时间情况：

***种方案耗时是第四种的 45 倍多，大跌眼镜了吧!同样是 python代码，完成一样的功能，耗时可以差这么多。

为了避免每次在程序开始、结束时插入时间断点，然后计算耗时，可以考虑实现一个上下文管理器，具体代码如下：

 
 

  
  
class Timer(object):
  
  

  
  
def __init__(self, verbose=False):
  
  

  
  
self.verbose = verbose
  
  

  
  
def __enter__(self):
  
  

  
  
self.start = clock()
  
  

  
  
return self
  
  

  
  
def __exit__(self, *args):
  
  

  
  
self.end = clock()
  
  

  
  
self.secs = self.end - self.start
  
  

  
  
self.msecs = self.secs * 1000 # millisecs
  
  

  
  
if self.verbose:
  
  

  
  
print 'elapsed time: %f ms' % self.msecs
 
 

使用时只需要将要测量时间的代码段放进 with 语句即可，具体的使用例子放在 gist上。

timeit

上面手工插断点的方法十分原始，用起来不是那么方便，即使用了上下文管理器实现起来还是略显笨重。还好 Python 提供了timeit模块，用来测试代码块的运行时间。它既提供了命令行接口，又能用于代码文件之中。

命令行接口

命令行接口可以像下面这样使用：

 
 

  
  
$ python -m timeit -n 1000000 '"I like to reading.".replace(" ", "-")'
  
  

  
  
1000000 loops, best of 3: 0.253 usec per loop
  
  

  
  
$ python -m timeit -s 'orignal_str = "I like to reading."' '"-".join(orignal_str.split())'
  
  

  
  
1000000 loops, best of 3: 0.53 usec per loop
 
 

具体参数使用可以用命令 python -m timeit -h 查看帮助。使用较多的是下面的选项：

-s S, –setup=S: 用来初始化statement中的变量，只运行一次;

-n N, –number=N: 执行statement的次数，默认会选择一个合适的数字;

-r N, –repeat=N: 重复测试的次数，默认为3;

Python 接口

可以用下面的程序测试四种 replace函数的运行情况(完整的测试程序可以在 gist 上找到)：

 
 

  
  
def _timeit_analyze_(func):
  
  

  
  
from timeit import Timer
  
  

  
  
t1 = Timer("%s()" % func.__name__, "from __main__ import %s" % func.__name__)
  
  

  
  
print "{:<20}{:10.6} s".format(func.__name__ + ":", t1.timeit(exec_times))
 
 

运行结果如下：

Python的timeit提供了 timeit.Timer() 类，类构造方法如下：

 
 

  
  
Timer(stmt='pass', setup='pass', timer=)
 
 

其中：

stmt: 要计时的语句或者函数;

setup: 为stmt语句构建环境的导入语句;

timer: 基于平台的时间函数(timer function);

Timer()类有三个方法：

timeit(number=1000000): 返回stmt执行number次的秒数(float);

repeat(repeat=3, number=1000000): repeat为重复整个测试的次数，number为执行stmt的次数，返回以秒记录的每个测试循环的耗时列表;

print_exc(file=None): 打印stmt的跟踪信息。

此外，timeit 还提供了另外三个函数方便使用，参数和 Timer 差不多。

 
 

  
  
timeit.timeit(stmt='pass', setup='pass', timer=, number=1000000)
  
  

  
  
timeit.repeat(stmt='pass', setup='pass', timer=, repeat=3, number=1000000)
  
  

  
  
timeit.default_timer()
 
 

profile

以上方法适用于比较简单的场合，更复杂的情况下，可以用标准库里面的profile或者cProfile，它可以统计程序里每一个函数的运行时间，并且提供了可视化的报表。大多情况下，建议使用cProfile，它是profile的C实现，适用于运行时间长的程序。不过有的系统可能不支持cProfile，此时只好用profile。

可以用下面程序测试 timeit_profile() 函数运行时间分配情况。

 
 

  
  
import cProfile
  
  

  
  
from time_profile import *
  
  

  
  
cProfile.run("timeit_profile()")
 
 

这样的输出可能会很长，很多时候我们感兴趣的可能只有耗时最多的几个函数，这个时候先将cProfile 的输出保存到诊断文件中，然后用 pstats 定制更加有好的输出(完整代码在 gist 上)。

 
 

  
  
cProfile.run("timeit_profile()", "timeit")
  
  

  
  
p = pstats.Stats('timeit')
  
  

  
  
p.sort_stats('time')
  
  

  
  
p.print_stats(6)
 
 

输出结果如下：

如果觉得 pstas 使用不方便，还可以使用一些图形化工具，比如 gprof2dot 来可视化分析 cProfile 的诊断结果。

vprof

vprof 也是一个不错的可视化工具，可以用来分析 Python 程序运行时间情况。如下图：

line_profiler

上面的测试最多统计到函数的执行时间，很多时候我们想知道函数里面每一行代码的执行效率，这时候就可以用到 line_profiler 了。

line_profiler 的使用特别简单，在需要监控的函数前面加上 @profile 装饰器。然后用它提供的 kernprof -l -v [source_code.py] 行进行诊断。下面是一个简单的测试程序 line_profile.py：

 
 

  
  
from time_profile import slow_replace, slowest_replace
  
  

  
  
for i in xrange(10000):
  
  

  
  
slow_replace()
  
  

  
  
slowest_replace()
 
 

运行后结果如下：

输出每列的含义如下：

Line #: 行号

Hits: 当前行执行的次数.

Time: 当前行执行耗费的时间，单位为 “Timer unit:”

Per Hit: 平均执行一次耗费的时间.

% Time: 当前行执行时间占总时间的比例.

Line Contents: 当前行的代码

line_profiler 执行时间的估计不是特别精确，不过可以用来分析当前函数中哪些行是瓶颈。

本文题目：Python性能分析大全
文章出自：http://www.shufengxianlan.com/qtweb/news41/114291.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联