python 性能分析与个人实践

最新推荐文章于 2024-05-27 14:48:38 发布

60荷兰盾

最新推荐文章于 2024-05-27 14:48:38 发布

阅读量2k

点赞数 2

分类专栏： python 文章标签：性能优化 python

本文链接：https://blog.csdn.net/mutex86/article/details/53305689

版权

python 专栏收录该内容

14 篇文章 0 订阅

订阅专栏

premature optimization is the root of all evil

python 性能分析主要是时间和空间（内存）的分析

这里主要对运行时间进行分析

1. 在代码中加入各种log,print：

import time
start_time = time.time()

myfunction()  # 待测试的函数

end_time = time.time()
print 'time cost:' + str(end_time - start_time)

这种方式比较灵活可控，可以自己控制粒度，可以测试单个语句，也可以测试多个函数。

2.或者用装饰器：

def fn_timer(function):
    """这个代码来源于 http://www.marinamele.com/7-tips-to-time-python-scripts-and-control-memory-and-cpu-usage"""
    @wraps(function)
    def function_timer(*args, **kwargs):
        t0 = time.time()
        result = function(*args, **kwargs)
        t1 = time.time()
        print ("Total time running %s: %s seconds" %
               (function.func_name, str(t1 - t0))
               )
        return result

    return function_timer


@fn_timer
def myfunction(...):
    pass

这种方式需要在函数定义的时候就加上，但是可以保持函数的”整洁”。

但是上面的这两种方式有一定的局限性：
1. 侵入了原有的功能代码。当然有其他方式可以处理，比如在生产中禁用记录时间的log，但记录程序的运行时间并不总是需要的。
2. 不够灵活。假如项目比较大，核心的函数比较多，我不可能在每个函数上都做上面的操作，这样是个巨大的工程，同时代码也会变的丑陋。

3. 使用python的timeit模块

python提供了timeit模块，这个可以在python console中直接使用

$ python -m timeit -n 4 -r 5 -s "import timing_functions" "timing_functions.random_sort(2000000)"

输出为：

4 loops, best of 5: 2.08 sec per loop

不过个人不是太喜欢这种方式，自己要敲的东西太多了，而且输出信息简陋。这个模块在ipython中使用起来相对简洁很多，直接在前面加%timeit即可。

4. 使用Unix命令

在shell中输入下面的命令

$ time -p python timing_functions.py

得到输出：

Total time running random_sort: 1.3931210041 seconds
real         1.49
user         1.40
sys          0.08

real 表示的是执行脚本的总时间，等于 user + sys
user 表示的是执行脚本消耗的CPU时间
sys 表示的是执行内核函数(操作系统)消耗的时间

5. 使用cProfile模块

上面的方法其实还是比较简单粗暴。profile模块是个更好的cProfile是profile的C实现，速度会更快。类似的包有pickle，也有个对应的Cpickle版本。
这个包可嵌入的代码中，类似下面这种：

import cProfile
cProfile.run("myfunction()")

我个人最喜欢的还是下面这种（下面的代码可能需要加一下PYTHONPATH）：

$python -m cProfile -o output.pkl my_main_file.py

首先无需更改现有代码结构，其次可以将结果保存到output.pkl中。强烈建议将profile的结果保存起来，因为生产中有些profile可能耗时很长，而且控制台输出的内容有限，当你想从结果里面提取点重要信息，又要重新来过，特别耗时。

当获取上面的output.pkl的时候，可以进入python console，使用pstats得到结果：

import pstats
p = pstats.Stats('output.pkl')  # 文件名
p.sort_stats('time')  # 按照时间排序
p.print_stats(10)  # 最耗时的前10个，如果没有参数，默认输出全部

输出的效果如下：
这里写图片描述

ncalls: 函数被call的次数
tottime：函数总的耗时，但是不包括其子函数的耗时
percall：tottime平均到每次调用的耗时
cumtime：函数总的耗时，包括了其子函数的耗时（递归函数也不例外）
percall：cumtime平均到每次调用的耗时
filename:lineno(function) ：每个函数各自的信息

6. 其他的工具

line_profiler 可以统计每行代码的花费的CPU时间
memory_profiler 内存分析工具
objgraph 可以快速发现内存泄漏的工具

另外还有图形化的方式：
1. gprof2dot.py
2. vprof

7. 记录一次自己python性能分析历程

有个项目第一次上线，在上生产的过程中，我发现程序在生产环境的速度比在QA环境的要慢很多。首先猜测：我的生产环境是台物理机，QA是台虚机，应该不是CPU的问题。
我检查了两个环境依赖python包的版本是否一致，其中有个numpy的小版本不一样，虽然可能性不大，但是还是调整到小版本号也一致，发现生产的速度还是慢，所以版本不一致不是原因。
这个时候不能做无头苍蝇了，赶紧cprofile跑一下，得到上面的截图。可以看到，大部分的时间都在底层运算上面。因为大量依赖numpy和pandas两个包做运算，所以我猜测问题还是在这两个包上。
突然想到，包安装的方式有可能造成这个情况（以前有同事遇到过这个问题）。因为conda默认安装的是已经编译好的包，而pip默认从源编译安装。使用pip这个编译的过程，能更好的跟系统兼容，提升性能。于是生产上改用pip安装了numpy，但是然并卵～～
上面的可能也排除后，有点捉急。我在想既然大概率是numpy的问题，那我先不用numpy做复杂的事情，直接做简单的除法。于是写了下面的脚本，分别在QA和生产跑一下，时间还是差距很大！！！这个时候我有点动摇我在刚开始的认知了，我觉得有可能是CPU性能的差距！

import numpy as np
import time

t = time.time()
for _ in range(1000):
    a = np.random.random((100, 1000))
    b = np.random.random((100, 1000))
    c = a / b
print time.time() - t

为了验证是否是CPU的问题，我进一步写了一个小脚本，剔除numpy的影响：

import time
import random

t = time.time()
for _ in xrange(10000000):
    a = random.random()
    b = random.random()
    c = a / b
print time.time() - t

上面这个脚本使用纯python，没有第三方的包。对比两个环境后，我进一步确认了问题所在，是CPU的问题。

Last：对比了两个环境的CPU型号，终于确认。虽然我的QA是虚机，但是虚机底层的物理机是最近刚采购的新机器，性能特别好，而且现在虚机资源比较充裕，没人跟我争夺资源，这个虚机基本上可以发挥物理机单核CPU的性能。反观生产环境虽然是物理机，型号却是3年前的旧机器，高下立判。我的代码是高密集的运算，在大量的循环计算后，单次计算性能的差距被放大了，导致某些函数慢了将近一倍！