python如何做代码性能分析

上一篇文章我们介绍了基准测试,通过基准测试可以发现程序变慢了,那么是因为什么原因导致性能变慢的,需要进一步做代码性能分析。python同样提供了性能分析工具。

cProfile

cProfile是python默认的性能分析器,他只测量CPU时间,并不关心内存消耗和其他与内存相关联的信息。

from time import sleepimport randomdef random_list(start, end, length):    """    生成随机列表    :param start: 随机开始数    :param end: 随机结束数    :param length: 列表长度    """    data_list = []    for i in range(length):        data_list.append(random.randint(start, end))    return data_listdef bubble_sort(arr):    """    冒泡排序: 对列表进行排序    :param arr 列表    """    n = len(arr)    sleep(1)    for i in range(n):        for j in range(0, n - i - 1):            if arr[j] > arr[j + 1]:                arr[j], arr[j + 1] = arr[j + 1], arr[j]    return arrif __name__ == '__main__':    get_data_list = random_list(1, 99, 10)    import cProfile    cProfile.run('bubble_sort({})'.format(get_data_list))

继续使用上一篇文章中的例子,引用cProfile模块,run()方法参数说明。

run(statement, filename=None, sort=-1)

  • statement: 需要测试的代码或者函数(函数名)
  • fielname: 结果保存的位置, 默认为stdout
  • sort: 结果排序方法,常用的有cumtime: 累积时间, name: 函数名, line: 行号

为了使结果统计出耗时部分,我们加了sleep,结果如下:

python demo.py         6 function calls in 1.004 seconds   Ordered by: standard name   ncalls  tottime  percall  cumtime  percall filename:lineno(function)        1    0.000    0.000    1.004    1.004 <string>:1(<module>)        1    0.000    0.000    1.004    1.004 demo.py:19(bubble_sort)        1    0.000    0.000    1.004    1.004 {built-in method builtins.exec}        1    0.000    0.000    0.000    0.000 {built-in method builtins.len}        1    1.004    1.004    1.004    1.004 {built-in method time.sleep}        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
  • 6 function calls in 1.004 seconds 6个函数调用被监控,耗时1.004秒。
  • ncalls 函数被调用的次数。如果这一列有两个值,就表示有递归调用,第二个值是原生调用次数,第一个值是总调用次数。
  • tottime 函数内部消耗的总时间。(可以帮助优化)
  • percall 是tottime除以ncalls,一个函数每次调用平均消耗时间。
  • cumtime 之前所有子函数消费时间的累计和。
  • filename:lineno(function) 被分析函数所在文件名、行号、函数名。

line_profiler

line_profiler 可以提供有关时间是如何在各行之间分配的信息,直白一点就是给出程序每行的耗时,在无法确定哪行语句最浪费时间,这很有用。

line_profiler是一个第三方模块,需要安装。

https://github.com/pyutils/line_profiler

from time import sleepimport randomdef random_list(start, end, length):    """    生成随机列表    :param start: 随机开始数    :param end: 随机结束数    :param length: 列表长度    """    data_list = []    for i in range(length):        data_list.append(random.randint(start, end))    return data_list@profiledef bubble_sort(arr):    """    冒泡排序: 对列表进行排序    :param arr 列表    """    n = len(arr)    sleep(1)    for i in range(n):        for j in range(0, n - i - 1):            if arr[j] > arr[j + 1]:                arr[j], arr[j + 1] = arr[j + 1], arr[j]    return arrif __name__ == '__main__':    get_data_list = random_list(1, 99, 10)    bubble_sort(get_data_list)

给需要监控的函数加上@profile 装饰器。通过kernprof命令运行文件(安装完line_profiler生成的命令)。

参数说明:

  • -l:以使用函数line_profiler
  • -v:以立即将结果打印到屏幕

运行结果:

kernprof -l -v demo.pyWrote profile results to demo.py.lprofTimer unit: 1e-06 sTotal time: 1.00416 sFile: demo.pyFunction: bubble_sort at line 18Line #      Hits         Time  Per Hit   % Time  Line Contents==============================================================    18                                           @profile    19                                           def bubble_sort(arr):    20                                               """    21                                               冒泡排序: 对列表进行排序    22                                               :param arr 列表    23                                               """    24         1          8.0      8.0      0.0      n = len(arr)    25         1    1004030.0 1004030.0    100.0      sleep(1)    26        11         15.0      1.4      0.0      for i in range(n):    27        55         44.0      0.8      0.0          for j in range(0, n - i - 1):    28        45         41.0      0.9      0.0              if arr[j] > arr[j + 1]:    29        20         21.0      1.1      0.0                  arr[j], arr[j + 1] = arr[j + 1], arr[j]    30         1          1.0      1.0      0.0      return arr

输出非常直观,分成了6列。

  • Line #:运行的代码行号。
  • Hits:代码行运行的次数。
  • Time:代码行的执行时间,单位为微秒。
  • Per Hit:Time/Hits。
  • % Time:代码行总执行时间所占的百分比。
  • Line Contents:代码行的内容。

只需查看% Time列,就可清楚地知道时间都花在了什么地方。

总结

性能测试分析站在项目层面是一个很庞大的话题,以前为测试工程师,关注的是性能工具的使用,以及用户维度的性能[1];作为开发工程师,每个功能都是由一个个函数/方法组成,我们去分析每个函数/方法,甚至是每行代码的耗时,才能更好的进行代码层面的性能优化。

以上就是python如何做代码性能分析的详细内容,更多关于python 代码性能分析的资料请关注 其它相关文章!

相关文章

发表新评论