第十六章：开发工具-profile和pstats:性能分析-运行性能分析工具

16.8 profile和pstats:性能分析
profile模块提供了一些API，可以用来收集和分析有关Python源代码消耗处理器资源的统计信息。

16.8.1 运行性能分析工具
profile模块中最基本的起点是run()。它以一个字符串语句为参数，并且会创建一个报告，指出在运行这个语句时执行不同代码所花费的时间。

import profile

def fib(n):
    # from literateprograms.org
    # http://bit.lyy/hloQ5m
    if n == 0:
        return 0
    elif n == 1:
        return 1
    else:
        return fib(n - 1) + fib(n - 2)


def fib_seq(n):
    seq = []
    if n > 0:
        seq.extend(fib_seq(n - 1))
    seq.append(fib(n))
    return seq


profile.run('print(fib_seq(20));print()')

这是一个递归版本的Fibonacci序列计算器，他对于展示profile模块尤其有用，因为这个程序的性能可以得到显著改善。标准报告格式会显示一个总结，然后给出所执行的各个函数的详细信息。

原始版本有57359个不同的函数调用，并且运行时间为0.127秒，实际上这里只要69个原始调用，这个事实说明这57359个调用中大部分都是递归调用。所用时间的详细信息按代码清单中的函数分解，显示了调用数，函数花费的总时间，每个调用花费的时间(tottime/ncalls)，一个函数花费的累积时间，以及累积时间与基本调用之比。
并不奇怪，这里大部分时间都花费在反复调用fib()上。增加一个缓存修饰符可以减少递归调用数，这会对这个函数的性能产生显著影响。

import functools
import profile


@functools.lru_cache(maxsize=None)
def fib(n):
    # from literateprograms.org
    # http://bit.ly/hloQ5m
    if n == 0:
        return 0
    elif n == 1:
        return 1
    else:
        return fib(n - 1) + fib(n - 2)


def fib_seq(n):
    seq = []
    if n > 0:
        seq.extend(fib_seq(n - 1))
    seq.append(fib(n))
    return seq


if __name__ == '__main__':
    profile.run('print(fib_seq(20));print()')

通过记住各层的Fibonacci值，大多数调用都可以避免，并且将运行的调用减至89个，这只需要0.001秒。fib()的ncalls数显示出它完全没有递归。