python中的脚本性能分析

目录

• python脚本性能分析
• python性能分析技巧
• 1.分析一行代码
• 2.分析多行代码
• 3.代码块中的每一行代码进行时间分析

python脚本性能分析

首先使用cd进入需要测试的脚本文件对应的目录，然后再使用如下代码完成对脚本的性能测试。

# enter the directory of document
cd (file directory)
# use pdb library for debuging
python -m cProfile test.py

我们可以看到我们获取到了每一步操作所需要的时间。

对于如何测试单行代码运行时间，可以看这篇python 代码运行时间获取方式(超链接点击跳转)。

python性能分析技巧

当我们开始精通编程语言时，我们不仅希望实现最终的编程目标，而且还希望可以使我们的程序更高效。

在本文中，我们将学习一些Ipython的命令，这些命令可以帮助我们对Python代码进行时间分析。

注意，在本教程中，我建议使用Anaconda。

1.分析一行代码

要检查一行python代码的执行时间，请使用**%timeit**。下面是一个简单的例子来了解它的工作原理：

#### magics命令%timeit的简单用法%timeit [num for num in range(20)]
#### 输出1.08 µs ± 43 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

主要注意事项：

• 在要分析的代码行之前使用%timeit
• 它返回代码运行的平均值和标准偏差。在上面的示例中，执行了7次，每次执行对该代码循环100万次(默认行为)，这需要平均1.08微秒和43纳秒的标准偏差。
• 在调用magic命令时，可以自定义运行和循环的数量，示例如下：

#### 在%timeit magic命令中自定义运行和循环数%timeit -r5 -n100 [num for num in range(20)]
1.01 µs ± 5.75 ns per loop (mean ± std. dev. of 5 runs, 100 loops each)

使用命令选项-r和-n，分别表示执行次数和循环次数，我们将时间配置文件操作定制为执行5次和循环100次。

2.分析多行代码

本节向前迈进了一步，并解释了如何分析完整的代码块。通过对%timeit magic命令进行一个小的修改，将单百分比（%）替换为双百分比（%%），就可以分析一个完整的代码块。以下为示例演示，供参考：

#### 使用timeblock%%代码分析%%timeit -r5 -n1000for i in range(10):    n = i**2    m = i**3    o = abs(i)
#### 输出10.5 µs ± 226 ns per loop (mean ± std. dev. of 5 runs, 1000 loops each)

可以观察到for循环的平均执行时间为10.5微秒。请注意，命令选项-r和-n分别用于控制执行次数和循环次数。

3.代码块中的每一行代码进行时间分析

到目前为止，我们只在分析一行代码或代码块时查看摘要统计信息，如果我们想评估代码块中每一行代码的性能呢？使用Line_profiler 。

Line_profiler 包可用于对任何函数执行逐行分析。要使用line_profiler软件包，请执行以下步骤：

安装—Line_profiler 包可以通过简单的调用pip或conda Install来安装。如果使用的是针对Python的anaconda发行版，建议使用conda安装

#### 安装line_profiler软件包conda install line_profiler

加载扩展—一旦安装，你可以使用IPython来加载line_profiler:

#### 加载line_profiler的Ipython扩展%load_ext line_profiler

时间分析函数—加载后，使用以下语法对任何预定义函数进行时间分析

%lprun -f function_name_only function_call_with_arguments

语法细节：

• 对line_profiler的调用以关键字%lprun开始，后跟命令选项-f
• 命令选项之后是函数名，然后是函数调用

在本练习中，我们将定义一个接受高度（以米为单位）和重量（以磅为单位）列表的函数，并将其分别转换为厘米和千克。

#### 定义函数def conversion(ht_mtrs, wt_lbs ):    ht_cms = [ht*100 for ht in ht_mtrs]    wt_kgs = [wt*.4535 for wt in wt_lbs]
#### 定义高度和重量列表:ht = [5,5,4,7,6]wt = [108, 120, 110, 98]
#### 使用line_profiler分析函数%lprun -f conversion conversion(ht,wt)
---------------------------------------------------------------#### 输出Total time: 1.46e-05 s
File: <ipython-input-13-41e195af43a9>
Function: conversion at line 2
Line #      Hits         Time  Per Hit   % Time  Line Contents==============================================================     2       1        105.0    105.0     71.9      ht_cms = [ht*100 for ht in ht_mtrs]     3       1         41.0     41.0     28.1      wt_kgs = [wt*.4535 for wt in wt_lbs]

输出详细信息：

• 以14.6微秒为单位（参考第一行输出）

生成的表有6列：

• 第1列（行#）—代码的行号（请注意，第#1行是故意从输出中省略的，因为它只是函数定义语句）
• 第2列（命中）—调用该行的次数
• 第3列（时间）—在代码行上花费的时间单位数（每个时间单位为14.6微秒）
• 第4列（每次命中平均时间）—第3列除以第2列
• 第5列（%Time）—在所花费的总时间中，花在特定代码行上的时间百分比是多少
• 第6列（内容）—代码行的内容

你可以清楚地看到，高度从米到厘米的转换几乎占了总时间的72%。

利用每一行代码的执行时间，我们可以部署策略来提高代码的效率。以上为个人经验，希望能给大家一个参考，也希望大家多多支持我们。