python代码怎么运行_Python代码优化之运行时间分析

在实现了需求之后，若想使运行速度提高，则需要先对代码整体的运行时间做一个分析，找出瓶颈在何处。“二八原则”在这里也是适用的，即20%的代码占了80%的运行时间。

这里介绍pyhton中两个实现此功能的函数。

cProfile

简介

profile是Python的标准库。可以统计程序里每一个函数的运行时间，并且提供了多样化的报表，而cProfile则是它的C实现版本，剖析过程本身需要消耗的资源更少。所以在Python 3中，cProfile代替了profile，成为默认的性能剖析模块

使用

它的实现也很简单，以下面这段代码为例：

import cProfile
import time
def fun1():
    sum = 0
    for i in range(1000000):
        sum += i
def fun2():
    time.sleep(10)
def main():
    fun1()
    fun2()
cProfile.run('main()') # 注意这里的''

输出：

7 function calls in 10.044 seconds

Ordered by: standard name

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
    1    0.000    0.000   10.044   10.044 -11-b3eeba351a69>:10(main)1    0.045    0.045    0.045    0.045 -11-b3eeba351a69>:3(fun1)1    0.000    0.000    9.999    9.999 -11-b3eeba351a69>:7(fun2)1    0.000    0.000   10.044   10.044 :1()1    0.000    0.000   10.044   10.044 {built-in method builtins.exec}1    9.999    9.999    9.999    9.999 {built-in method time.sleep}1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}

上面显示了函数的运行时间情况，可以看出fun2及其里面的time.sleep函数运行时间占用时间较多。

也可以在python解释器调用cProfile来分析代码运行时间,如输入以下命令,效果一样。

python -m cProfile prof1.py

输出的各项意义如下：

cProfile的统计结果

但是结果不方便我们查看，特别是函数特别多的时候。这个时候可以结合pstats模块的一个类Stats来使用。

Stats函数接受一个参数——就是cProfile的输出文件名。Stats提供了对cProfile输出结果进行排序、输出控制等功能。如我们把前文的程序改为如下：

# 省略前面的部分
def main():
    fun1()
    fun2()
cProfile.run('main()', 'prof.txt')
import pstats
p = pstats.Stats('prof.txt')
p.sort_stats('time').print_stats()

引入pstats之后，把结果按照运行时间排序，结果如下：

Thu Jul 30 13:30:57 2020    prof.txt

   7 function calls in 10.043 seconds

   Ordered by: internal time

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
    1   10.001   10.001   10.001   10.001 {built-in method time.sleep}
    1    0.043    0.043    0.043    0.043 -11-b3eeba351a69>:3(fun1)1    0.000    0.000   10.043   10.043 {built-in method builtins.exec}1    0.000    0.000   10.001   10.001 -11-b3eeba351a69>:7(fun2)1    0.000    0.000   10.043   10.043 -11-b3eeba351a69>:10(main)1    0.000    0.000   10.043   10.043 :1()1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}

Stats有若干个函数，这些函数组合能输出不同的cProfile报表，功能非常强大，其中最重要的函数就是sort_stats和print_stats，通过这两个函数我们几乎可以用适当的形式浏览所有的信息了。下面是sort_stats支持的排序参数。

sort_stats的排序参数

上面介绍的cProfile主要是针对较多的代码，若是想测试一下单行或者函数的耗时，用下面这个库实现会简单很多。

timeit

1. 测试单行语句

from timeit import timeit
timeit('"-".join(str(n) for n in range(100))', number=10000)

output: 0.3018611848820001

其中，number参数表示代码的运行次数。

2. 测试多行语句

from timeit import timeit
string = """
s = 0
for i in range(1000):
    s += i
"""
timeit(stmt=string,number=100)

3. 测试函数

from timeit import timeit

def func():
    s = 0
    for i in range(1000):
        s += i
    print(s)

# timeit(函数名_字符串，运行环境_字符串，number=运行次数)
t = timeit('func()', 'from __main__ import func', number=1000)
print(t)

output: 0.04860229999758303

说到timeit模块，不得不先提一下它简便的魔术命令实现。

魔法函数: %timeit，它会自动计算接下来一行的 Python 语句的执行时间。例如，我们可能想了解列表综合的性能：

%timeit L = [n ** 2 for n in range(1000)]

output: 273 µs ± 1.51 µs per loop 
(mean ± std. dev. of 7 runs, 1000 loops each)

对于多行语句，可以加入第二个 %符号将其转变成单元魔法，以处理多行输入。例如，下面是 上面for循环的同等结构：

%%timeit
L = []
for n in range(1000):
    L.append(n**2)

output: 299 µs ± 1.72 µs per loop 
(mean ± std. dev. of 7 runs, 1000 loops each)

以上就是关于Python中代码计时的一些分享，最后分享一句话。

过早优化是编程中一切“罪恶”的根源。——Donald Knuth

在后续的一些优化技巧中会发现，过早的优化会让你的努力得不到应有的回报。

如果有任何问题或者本文有写的不对的地方，欢迎点击下方蓝字留言。

点此留言