Документация по Python

Профилирование кода в Python

В: Документация по Python

Введение

Примеры

%% timeit и% timeit в IPython

Конкатенация строки профилирования:

 In [1]: import string

In [2]: %%timeit s=""; long_list=list(string.ascii_letters)*50
  ....: for substring in long_list:
  ....:   s+=substring
  ....:
1000 loops, best of 3: 570 us per loop

In [3]: %%timeit long_list=list(string.ascii_letters)*50
  ....: s="".join(long_list)
  ....:
100000 loops, best of 3: 16.1 us per loop

 

Профилирование циклов по итерациям и спискам:

 In [4]: %timeit for i in range(100000):pass
100 loops, best of 3: 2.82 ms per loop

In [5]: %timeit for i in list(range(100000)):pass
100 loops, best of 3: 3.95 ms per loop 

функция timeit ()

Профилирование повторения элементов в массиве

 >>> import timeit
>>> timeit.timeit('list(itertools.repeat("a", 100))', 'import itertools', number = 10000000)
10.997665435877963
>>> timeit.timeit('["a"]*100', number = 10000000)
7.118789926862576 

командная строка timeit

Профилирование конкатенации чисел

 python -m timeit "'-'.join(str(n) for n in range(100))"
10000 loops, best of 3: 29.2 usec per loop

python -m timeit "'-'.join(map(str,range(100)))"
100000 loops, best of 3: 19.4 usec per loop 

line_profiler в командной строке

Исходный код с директивой @profile перед функцией, которую мы хотим профилировать:

 import requests

@profile
def slow_func():
    s = requests.session()
    html=s.get("https://en.wikipedia.org/").text
    sum([pow(ord(x),3.1) for x in list(html)])

for i in range(50):
    slow_func()

 

Использование команды kernprof для расчета профилирования построчно

 $ kernprof -lv so6.py

Wrote profile results to so6.py.lprof
Timer unit: 4.27654e-07 s

Total time: 22.6427 s
File: so6.py
Function: slow_func at line 4

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
     4                                           @profile
     5                                           def slow_func():
     6        50        20729    414.6      0.0      s = requests.session()
     7        50     47618627 952372.5     89.9      html=s.get("https://en.wikipedia.org/").text
     8        50      5306958 106139.2     10.0      sum([pow(ord(x),3.1) for x in list(html)])

 

Запрос страницы почти всегда медленнее, чем любой расчет, основанный на информации на странице.

Использование cProfile (Preferred Profiler)

Python включает в себя профилировщик cProfile. Это обычно предпочтительнее, чем использование timeit.

Он разбивает весь ваш скрипт и для каждого метода в вашем скрипте говорит вам:

  • ncalls : количество раз , когда метод был вызван
  • tottime : Общее время , проведенное в данной функции ( за исключением времени , сделанное в вызовах подфункций)
  • percall : Время , затраченное на вызов. Или частное от общего времени, деленное на ncalls
  • cumtime : Совокупное время , проведенное в этом и всех подфункциях (от вызова до выхода). Эта цифра точна даже для рекурсивных функций.
  • percall : это фактор cumtime делится на примитивных вызовов
  • filename:lineno(function) : предоставляет соответствующие данные каждой функции

CProfiler можно легко вызвать из командной строки, используя:

 $ python -m cProfile main.py 

 

Чтобы отсортировать возвращенный список профилированных методов по времени, которое заняло в методе:

 $ python -m cProfile -s time main.py  

Синтаксис

Параметры

Примечания

Еще от кодкамп
Замечательно! Вы успешно подписались.
Добро пожаловать обратно! Вы успешно вошли
Вы успешно подписались на кодкамп.
Срок действия вашей ссылки истек.
Ура! Проверьте свою электронную почту на наличие волшебной ссылки для входа.
Успех! Ваша платежная информация обновлена.
Ваша платежная информация не была обновлена.