转载

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。

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:

Python 性能分析大全

第一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 性能分析大全

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

Timer(stmt='pass', setup='pass', timer=<timer function>) 

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=<default timer>, number=1000000) timeit.repeat(stmt='pass', setup='pass', timer=<default 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:

Python 性能分析大全

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:

Python 性能分析大全

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:

Python 性能分析大全

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。

更多阅读

原文  http://selfboot.cn/2016/06/13/python_performance_analysis/
正文到此结束
Loading...