引言

如果你想優(yōu)化python程序的運行效率，你會從哪里下手？

首先，我們要找到「性能瓶頸」，比如哪些函數(shù)的運行效率低、計算時間長，然后分析原因，針對性地進(jìn)行優(yōu)化。

最樸素的方法是，在你預(yù)估的函數(shù)前后加上time.perf_counter()¹，然后得出這個函數(shù)的運行時間。但這種方法不適用于具有大量函數(shù)調(diào)用的程序。

import timestart = time.perf_counter()func()print("cost %s second" % (time.perf_counter() - start))

python有很多性能分析工具，功能強大，可以幫助我們對各種函數(shù)的性能進(jìn)行分析。

這篇文章就介紹三種簡單的性能分析工具。其中cProfile和timeit都是python標(biāo)準(zhǔn)庫中的工具，無需安裝第三方庫，看完本篇文章，教你快速上手。

1. cProfile：最便捷的性能分析

推薦指數(shù)： ????????

cProfile是python標(biāo)準(zhǔn)庫中一個使用便捷、開銷合理的 C 擴展，適用于分析長時間運行的程序。²

不想閱讀太多細(xì)節(jié)的小伙伴，可以直接看代碼，非常簡單，直接在cProfile.run中輸入目標(biāo)函數(shù)名稱：

import cProfileimport test_modulecProfile.run("test_module.func()")

在程序運行完后，就會在控制臺打印test_module.func()運行的具體耗時情況：

538569 function calls (519249 primitive calls) in 71.446 seconds   Ordered by: standard name   ncalls  tottime  percall  cumtime  percall filename:lineno(function)	   44    0.002    0.000    0.197    0.004 ImageFile.py:154(load)       18    0.000    0.000    0.001    0.000 ImageFile.py:278(load_prepare)        1    0.000    0.000    0.000    0.000 ImageFile.py:30()        1    0.000    0.000    0.000    0.000 ImageFile.py:313(StubImageFile)        1    0.000    0.000    0.000    0.000 ImageFile.py:339(Parser)       13    0.001    0.000    1.348    0.104 ImageFile.py:478(_save)

每一行依次列出了各個子函數(shù)的運行分析信息：

• ncalls
  調(diào)用次數(shù)

• tottime
  在給定函數(shù)中花費的總時間（不包括調(diào)用子函數(shù)的時間）

• percall
  tottime除以ncalls的商

• cumtime
  是在這個函數(shù)和所有子函數(shù)中花費的累積時間（從調(diào)用到退出）。

• percall
  是cumtime除以原始調(diào)用次數(shù)的商

• filename:lineno(function)
  提供每個函數(shù)的各自信息

保存性能數(shù)據(jù)

如果你想保存這些性能數(shù)據(jù)，在run函數(shù)的參數(shù)中加上’restats’文件名：

cProfile.run("main()","restats")

就會保存到當(dāng)前目錄下的restats文件中。

查看性能數(shù)據(jù)

加載這些數(shù)據(jù)，可以進(jìn)行后續(xù)的比較分析。

import pstatsfrom pstats import SortKey# 加載保存到restats文件中的性能數(shù)據(jù)p = pstats.Stats("restats")# 打印所有統(tǒng)計信息p.strip_dirs().sort_stats(-1).print_stats()

查看耗時最多的子函數(shù)

最常用的是，查看耗時最多的函數(shù)排序，比如前十個：

# 打印累計耗時最多的10個函數(shù)p.sort_stats(SortKey.CUMULATIVE).print_stats(10)# 打印內(nèi)部耗時最多的10個函數(shù)（不包含子函數(shù)）p.sort_stats(SortKey.TIME).print_stats(10)

上面兩個例子分別用到用SortKey.CUMULATIVE或SortKey.TIME參數(shù)。

SortKey的具體參數(shù)如下表所示³：

查看特定名稱函數(shù)的耗時

例如，我們在耗時排序中，發(fā)現(xiàn)一些加載函數(shù)的耗時較大，可以多帶帶統(tǒng)計下包含load的調(diào)用信息：

# 打印包含load的函數(shù)名的調(diào)用者統(tǒng)計信息p.print_callers(.5, "load")

0.5表示列表被剔除到其原始大小的50%，然后保留包含load的行：

例如，還可以查看哪些類的初始化__init__函數(shù)耗時較多：

# 按耗時排序，依次打印類的__init__方法的統(tǒng)計信息p.sort_stats(SortKey.CUMULATIVE).print_stats("__init__")

2. timeit：計算小代碼片段的耗時

推薦指數(shù)： ????

timeit適用于測量小段代碼的耗時，可以在python代碼中調(diào)用，也可以在命令行中調(diào)用⁴。timeit的設(shè)計避免了許多用于測量執(zhí)行時間的常見陷阱。

測試你寫的函數(shù)的運行時間：

def test():    """Stupid test function"""    L = [i for i in range(100)]if __name__ == "__main__":    import timeit    print(timeit.timeit("test()", setup="from __main__ import test"))

測試一個語句的運行時間：

$ python -m timeit "if hasattr(str, "__bool__"): pass"50000 loops, best of 5: 4.26 usec per loop

使用方式：
python -m timeit [-n N] [-r N] [-u U] [-s S] [-h] [statement ...]

• -n N, --number=N
  執(zhí)行“語句”多少次

• -r N, --repeat=N
  重復(fù)計時器多少次（默認(rèn) 5）

• -s S, --setup=S
  最初執(zhí)行一次的語句（默認(rèn)pass）

• -p, --process
  測量進(jìn)程時間，而不是掛鐘時間，使用time.process_time() 代替time.perf_counter()，這是默認(rèn)值
  3.3 版中的新功能。

• -u, --unit=U
  指定定時器輸出的時間單位；可以選擇 nsec、usec、msec 或 sec
  3.5 版中的新功能。

• -v, --verbose
  打印原始計時結(jié)果；重復(fù)以獲得更多數(shù)字精度

• -h, --help
  打印一個簡短的使用信息并退出

3. IDE中的性能分析

推薦指數(shù)： ??????

如果你有IDE，那么很多IDE都提供了性能分析的相關(guān)工具。

以pycharm 專業(yè)版為例，從Run中點擊Profile，即可對當(dāng)前python腳本進(jìn)行性能分析。

程序運行結(jié)束后，pycharm會生成以下統(tǒng)計：

這里列出了子函數(shù)的名稱、調(diào)用次數(shù)、耗時等信息，雙擊函數(shù)名可以查看對應(yīng)源碼。

小結(jié)

本文整理了三個常用的python性能分析工具，幫助你定位python程序的性能瓶頸。

如果對你有所幫助，歡迎一鍵三連，支持下博主。