python中使用cProfile可视化并解决性能瓶颈问题

大家好，帕累托法则讲到：“在大多数情况下，80%的结果来自于20%的原因。”作为一名程序员，当代码运行速度不尽如人意时，就需要花费大量时间对代码进行相应的重构，但在许多情况下，所得到的速度提升并不值得花费的精力。

Python标准库已经提供了性能分析所需的工具，即cProfile。本文将展示如何使用cProfile，以可视化的方式快速识别代码中哪些部分计算开销最高，并且应该优先进行优化。

安装

cProfile是我们将用来测量代码的各个部分所需时间的工具，它是Python标准库的一部分，因此无需安装。QCachegrind将负责可视化cProfile的输出结果，将能够快速观察到性能瓶颈所在。对于MacOS用户，请检查是否已经安装了Homebrew。如果没有安装，请使用以下命令进行安装：

ruby -e “$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)" < /dev/null 2> /dev/null

然后可以安装QCachegrind：

brew install qcachegrind

对于其他操作系统的用户，推荐Pyprof2calltree工具。Pyprof2calltree将使用cProfile收集的分析数据转换为QCachegrind可以读取的格式，安装方法如下：

pip install pyprof2calltree

方法

完成安装后，进入包含Python脚本的文件夹，我们使用cProfile来测量脚本不同部分的运行时间，并将结果保存在一个名为medium_example.profile的文件中（可以选择使用任何名称，只要它是.profile文件）：

python -m cProfile -o medium_example.profile 1_generate_ML_data.py

正如你所看到的，medium_example.profile文件已添加到文件夹中：

 该文件包含了运行脚本中所涉及的不同函数的运行时间。

现在，我们可以将cProfile的测量结果可视化：

pyprof2calltree -k -i medium_example.profile

 QCachegrind的用户界面包含了与所有相关函数的执行时间有关的信息：红色的是“Flat Profile”（左侧），蓝色的是“Callers”（右上方），绿色的是“Callees”（右下方）。

这个用户界面展示的内容较多。接下来本文会逐一解释所有这些内容的含义。

• “Flat Profile” 面板出现在左侧，按时间消耗的降序排列提供了完整的函数调用列表。“Incl.” 列显示每个函数消耗的总时间，考虑到其被调用者花费的时间。

• “Self” 列显示仅在函数本身内部花费的时间，不包括其被调用者花费的时间。

• “Called” 列显示函数被调用的次数，而“Function” 列则显示函数的名称，包括其命名空间。

• “Callers” 面板（右上方）显示调用所选函数的函数列表，以及在每个调用者函数中花费的时间。

• 另一方面，“Callees” 面板（右下方）显示由所选函数调用的函数列表，以及每个被调用者函数中花费的时间。通过优化这些被调用者函数，你可以提高所选函数的性能。

现在你知道如何解读用户界面，接下来讲述如何使用它来找到性能瓶颈。

在“Flat Profile”面板的搜索栏中，输入builtins.exec，然后选择函数<Built-in method builtins.exec>。在“Callees”面板中，选择应该占用所有（~100%）的执行时间的第一个函数。它是你之前执行的脚本的入口点。

然后，该函数会被移到“Callers”面板上，并刷新“Callees”面板显示其中调用的函数。在本示例中，96.52%的执行时间来自函数generate_all_season_games_features。

如果想再深入一级，可以选择该函数。它再次被移到“Callers”面板上，而“Callees”面板则显示了被调用的函数。42.73%的执行时间来自于generate_results_hometeam_current_season，而42.57%的执行时间来自于generate_resukts_awayteam_current_season。

由于它们对速度的影响相同，我可以选择处理其中的任意一个函数。

优化 

建议从优化耗时最长的函数开始。所需的重构对代码来说将是非常具体的。以下是一些典型优化的示例：

• 将嵌套的for循环转换为单个for循环。

• 实现多进程。

• 使用向量化。

当应用了第一个优化后，可以根据实际需要多次进行测量-可视化-优化周期，以达到符合要求的总运行时间。当涉及到优化代码时，遵循数据驱动的方法，能确保在不进行太多猜测和浪费时间的情况下，取得快速进展。