文章目录
引言
如果你想优化python程序的运行效率，你会从哪里下手？
首先，我们要找到「性能瓶颈」，比如哪些函数的运行效率低、计算时间长，然后分析原因，针对性地进行优化。
最朴素的方法是，在你预估的函数前后加上time.perf_counter()1，然后得出这个函数的运行时间。但这种方法不适用于具有大量函数调用的程序。
import time
start = time.perf_counter()
func()
print("cost %s second" % (time.perf_counter() - start))
python有很多性能分析工具，功能强大，可以帮助我们对各种函数的性能进行分析。
这篇文章就介绍三种简单的性能分析工具。其中cProfile和timeit都是python标准库中的工具，无需安装第三方库，看完本篇文章，教你快速上手。
1. cProfile：最便捷的性能分析
推荐指数： ⭐️⭐️⭐️⭐️
cProfile是python标准库中一个使用便捷、开销合理的 C 扩展，适用于分析长时间运行的程序。2
不想阅读太多细节的小伙伴，可以直接看代码，非常简单，直接在cProfile.run中输入目标函数名称：
import cProfile
import test_module
cProfile.run('test_module.func()')
在程序运行完后，就会在控制台打印test_module.func()运行的具体耗时情况：
538569 function calls (519249 primitive calls) in 71.446 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
44 0.002 0.000 0.197 0.004 ImageFile.py:154(load)
18 0.000 0.000 0.001 0.000 ImageFile.py:278(load_prepare)
1 0.000 0.000 0.000 0.000 ImageFile.py:30(<module>)
1 0.000 0.000 0.000 0.000 ImageFile.py:313(StubImageFile)
1 0.000 0.000 0.000 0.000 ImageFile.py:339(Parser)
13 0.001 0.000 1.348 0.104 ImageFile.py:478(_save)
每一行依次列出了各个子函数的运行分析信息：
-
ncalls
调用次数 -
tottime
在给定函数中花费的总时间（不包括调用子函数的时间） -
percall
tottime除以ncalls的商 -
cumtime
是在这个函数和所有子函数中花费的累积时间（从调用到退出）。 -
percall
是cumtime除以原始调用次数的商 -
filename:lineno(function)
提供每个函数的各自信息
保存性能数据
如果你想保存这些性能数据，在run函数的参数中加上’restats’文件名：
cProfile.run('main()','restats')
就会保存到当前目录下的restats文件中。
查看性能数据
加载这些数据，可以进行后续的比较分析。
import pstats
from pstats import SortKey
# 加载保存到restats文件中的性能数据
p = pstats.Stats('restats')
# 打印所有统计信息
p.strip_dirs().sort_stats(-1).print_stats()
查看耗时最多的子函数
最常用的是，查看耗时最多的函数排序，比如前十个：
# 打印累计耗时最多的10个函数
p.sort_stats(SortKey.CUMULATIVE).print_stats(10)
# 打印内部耗时最多的10个函数（不包含子函数）
p.sort_stats(SortKey.TIME).print_stats(10)
上面两个例子分别用到用SortKey.CUMULATIVE或SortKey.TIME参数。
SortKey的具体参数如下表所示3：
查看特定名称函数的耗时
例如，我们在耗时排序中，发现一些加载函数的耗时较大，可以单独统计下包含load的调用信息：
# 打印包含load的函数名的调用者统计信息
p.print_callers(.5, 'load')
0.5表示列表被剔除到其原始大小的50%，然后保留包含load的行：
例如，还可以查看哪些类的初始化__init__函数耗时较多：
# 按耗时排序，依次打印类的__init__方法的统计信息
p.sort_stats(SortKey.CUMULATIVE).print_stats('__init__')
2. timeit：计算小代码片段的耗时
推荐指数： ⭐️⭐️
timeit适用于测量小段代码的耗时，可以在python代码中调用，也可以在命令行中调用4。timeit的设计避免了许多用于测量执行时间的常见陷阱。
测试你写的函数的运行时间：
def test():
"""Stupid test function"""
L = [i for i in range(100)]
if __name__ == '__main__':
import timeit
print(timeit.timeit("test()", setup="from __main__ import test"))
测试一个语句的运行时间：
$ python -m timeit 'if hasattr(str, "__bool__"): pass'
50000 loops, best of 5: 4.26 usec per loop
使用方式：
python -m timeit [-n N] [-r N] [-u U] [-s S] [-h] [statement ...]
-
-n N, --number=N
执行“语句”多少次 -
-r N, --repeat=N
重复计时器多少次（默认 5） -
-s S, --setup=S
最初执行一次的语句（默认pass） -
-p, --process
测量进程时间，而不是挂钟时间，使用time.process_time() 代替time.perf_counter()，这是默认值
3.3 版中的新功能。 -
-u, --unit=U
指定定时器输出的时间单位；可以选择 nsec、usec、msec 或 sec
3.5 版中的新功能。 -
-v, --verbose
打印原始计时结果；重复以获得更多数字精度 -
-h, --help
打印一个简短的使用信息并退出
3. IDE中的性能分析
推荐指数： ⭐️⭐️⭐️
如果你有IDE，那么很多IDE都提供了性能分析的相关工具。
以pycharm 专业版为例，从Run中点击Profile，即可对当前python脚本进行性能分析。
程序运行结束后，pycharm会生成以下统计：
这里列出了子函数的名称、调用次数、耗时等信息，双击函数名可以查看对应源码。
小结
本文整理了三个常用的python性能分析工具，帮助你定位python程序的性能瓶颈。
如果对你有所帮助，欢迎一键三连，支持下博主。