PS：在文末有我写的封装好的python性能分析脚本，稍加修改即可直接使用 ：）
在开始之前，先看看这样一句话：
我们应该忽略一些微小的效率提升，几乎在 97% 的情况下，都是如此：过早的优化是万恶之源。—— Donald Knuth
大部分时间，我们对性能的要求也许并没有想象中那么苛刻，这种想法是正确的。毕竟能够让程序正确的运行起来，就是最好的优化了。
在真正的开发过程中，我们常常会因为想要完成某个功能而不假思索的就写出了O(N^2)的代码。事后我们可能就把这件事忘到九霄云外了。你写的这段代码就像一颗定时炸弹，指不定在以后的某个时刻，突然爆炸，让你焦头烂额。
幸运的是，既然存在这样的问题，那么总是有方法可以解决的。假设你已经无法忍受项目某部分的功能了，不妨编写一个测试，看看问题究竟出现在哪里。
简单的分析
首先，从最简单的开始，编写一个计时器，了解一下你的程序整体所花费的时间。
把他做成装饰器，放在你想要测试的程序入口前面即可：
import time
from functools import wraps
def timethis(func):
@wraps(func)
def wrapper(*args, **kwargs):
start = time.perf_counter()
r = func(*args, **kwargs)
end = time.perf_counter()
print('{}.{} : {}'.format(func.__module__, func.__name__, end - start))
return r
return wrapper但这通常无法获得足够的信息，如果想要更近一步，那么Python标准库中也提供了三种用来分析程序性能的模块，分别是cProfile, profile和hotshot，另外还有一个辅助模块stats。这些模块提供了对Python程序的确定性分析功能，同时也提供了相应的报表生成工具，方便用户快速地检查和分析结果。
使用分析工具
这三个性能分析模块的介绍如下：
cProfile：基于lsprof的用C语言实现的扩展应用，运行开销比较合理，适合分析运行时间较长的程序，推荐使用这个模块；
profile：纯Python实现的性能分析模块，接口和cProfile一致。但在分析程序时增加了很大的运行开销。不过，如果你想扩展profiler的功能，可以通过继承这个模块实现；
hotshot：一个试验性的C模块，减少了性能分析时的运行开销，但是需要更长的数据后处理的次数。目前这个模块不再被维护，有可能在新版本中被弃用。
我个人比较喜欢使用的是CProfile，打印的报告十分详细，并且支持命令行或者编写脚本运行。
假设我们有这样的一个文件someprogram.py，里面有一些函数，那么，应该怎么使用cProfile去分析这个函数的性能呢？
打开cmd命令行，运行：
python3 -m cProfile your\file\path\someprogram.py就可以获得这个文件里程序各个细节的详细报告：
859647 function calls in 16.016 CPU seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
263169 0.080 0.000 0.080 0.000 someprogram.py:16(func)
513 0.001 0.000 0.002 0.000 someprogram.py:30(generate_mandel)
262656 0.194 0.000 15.295 0.000 someprogram.py:32(<genexpr>)
1 0.036 0.036 16.077 16.077 someprogram.py:4(<module>)
262144 15.021 0.000 15.021 0.000 someprogram.py:4(in_mandelbrot)
1 0.000 0.000 0.000 0.000 os.py:746(urandom)
1 0.000 0.000 0.000 0.000 png.py:1056(_readable)
1 0.000 0.000 0.000 0.000 png.py:1073(Reader)
1 0.227 0.227 0.438 0.438 png.py:163(<module>)
512 0.010 0.000 0.010 0.000 png.py:200(group)
...其中，输出每列的具体解释如下：
ncalls：表示函数调用的次数；
tottime：表示指定函数的总的运行时间，除掉函数中调用子函数的运行时间；
percall：（第一个percall）等于 tottime/ncalls；
cumtime：表示该函数及其所有子函数的调用运行的时间，即函数开始调用到返回的时间；
percall：（第二个percall）即函数运行一次的平均时间，等于 cumtime/ncalls；
filename:lineno(function)：每个函数调用的具体信息；
另外，上面分析的时候，排序方式使用的是函数调用时间(cumulative)，除了这个还有一些其他允许的排序方式：calls, cumulative, file, line, module, name, nfl, pcalls, stdname, time等。基本都是根据报告中所给出的参数进行排序设置，具体效果怎么样，大家可以尝试一下。
不过这份报告是直接打印在控制台上的，cProfile提供了额外的参数使我们可以更加灵活的对结果进行采集分析：
把分析结果保存到文件中
python -m cProfile -o result.out specify\a\file\path\someprogram.py增加排序方式
python -m cProfile -o result.out -s cumulative specify\a\file\path\someprogram.py你也可以在Python脚本中实现，使用python脚本的主函数代码如下：
# someprogram.py
def func():
pass
if __name__ == "__main__":
import cProfile
# 直接把分析结果打印到控制台
cProfile.run("func()")
# 把分析结果保存到文件中
cProfile.run("func()", filename="result.out")
# 增加排序方式
cProfile.run("func()", filename="result.out", sort="cumulative")分析工具pstats
使用cProfile分析的结果可以输出到指定的文件中，但是文件内容是以二进制的方式保存的，用文本编辑器打开时乱码。所以，Python提供了一个pstats模块，用来分析cProfile输出的文件内容。它支持多种形式的报表输出，是文本界面下一个较为实用的工具。使用非常简单：
import pstats
# 创建Stats对象,result.out是你通过cProfile分析得出的结果
p = pstats.Stats("your\file\path\result.out")
# strip_dirs(): 去掉无关的路径信息
# sort_stats(): 排序，支持的方式和上述的一致
# print_stats(): 打印分析结果，可以指定打印前几行
# 和直接运行cProfile.run("func()")的结果是一样的
p.strip_dirs().sort_stats(-1).print_stats()
# 按照函数名排序，只打印前3行函数的信息
# 参数还可为小数,表示前百分之几的函数信息
p.strip_dirs().sort_stats("name").print_stats(3)
# 按照运行时间和函数名进行排序
p.strip_dirs().sort_stats("cumulative", "name").print_stats(0.5)
# 如果想知道有哪些函数调用了sum_
p.print_callers(0.5, "sum_")
# 查看func()函数中调用了哪些函数
p.print_callees("func")这样，我们就可以自由查看分析报告了。
使用图形化工具分析函数性能
对于一些大型的项目，我们可以使用一些图形库将分析结果视觉化，这样我们可以更加直观的观察到项目函数的运行轨迹。常见的可视化工具有Gprof2Dot，visualpytune，KCacheGrind等
我个人使用的是使用 Gprof2Dot（python第三方库：使用pip install安装）和 Graphviz（for windows），
Graphviz安装完毕后可能需要手动将dot程序添加到环境变量（在bin目录下）。
linux下安装Graphviz使用命令：
sudo apt-get install graphviz做完这些之后，（windows下）找到 Gprof2Dot脚本库所在路径，以及分析结果result.out的路径，运行：
python your\file\path\gprof2dot.py -f pstats your\file\path\result.out | dot -Tpng -o your\file\path\result.png上面3个路径需要你自己找到或者指定，否则会出现报错。
所得到的结果如下（懒得自己动手了，网上截了个图）：
最后，附上我自己写的脚本，脚本中已经将上述整个过程封装完成一个Decorator(建议将gprof2dot.py库和脚本放到一起)，放在待测函数入口处即可：
https://github.com/breavo/some_useful_python_script/tree/master/use_cProfile