检测Python程序执行效率及内存和CPU使用的7种方法
来源:互联网 发布:交通大数据应用 编辑:程序博客网 时间:2024/06/08 15:56
检测Python程序执行效率及内存和CPU使用的7种方法
在运行复杂的Python程序时,执行时间会很长,这时也许想提高程序的执行效率。但该怎么做呢?
首先,要有个工具能够检测代码中的瓶颈,例如,找到哪一部分执行时间比较长。接着,就针对这一部分进行优化。
同时,还需要控制内存和CPU的使用,这样可以在另一方面优化代码。
因此,在这篇文章中我将介绍7个不同的Python工具,来检查代码中函数的执行时间以及内存和CPU的使用。
1. 使用装饰器来衡量函数执行时间
有一个简单方法,那就是定义一个装饰器来测量函数的执行时间,并输出结果:
import
time
from
functools
import
wraps
def
fn_timer(function):
@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
接着,将这个装饰器添加到需要测量的函数之前,如下所示:
@fn_timer
def
myfunction(...):
...
例如,这里检测一个函数排序含有200万个随机数字的数组所需的时间:
@fn_timer
def
random_sort(n):
return
sorted
([random.random()
for
i
in
range
(n)])
if
__name__
=
=
"__main__"
:
random_sort(
2000000
)
执行脚本时,会看到下面的结果:
Total time running random_sort: 1.41124916077 seconds
2. 使用timeit模块
另一种方法是使用timeit模块,用来计算平均时间消耗。
执行下面的脚本可以运行该模块。
$ python
-
m timeit
-
n
4
-
r
5
-
s
"import timing_functions"
"timing_functions.random_sort(2000000)"
这里的timing_functions是Python脚本文件名称。
在输出的末尾,可以看到以下结果:
4
loops, best of
5
:
2.08
sec per loop
这表示测试了4次,平均每次测试重复5次,最好的测试结果是2.08秒。
如果不指定测试或重复次数,默认值为10次测试,每次重复5次。
3. 使用Unix系统中的time命令
然而,装饰器和timeit都是基于Python的。在外部环境测试Python时,unix time实用工具就非常有用。
运行time实用工具:
$ time
-
p python timing_functions.py
输出结果为:
Total time running random_sort:
1.3931210041
seconds
real
1.49
user
1.40
sys
0.08
第一行来自预定义的装饰器,其他三行为:
- real表示的是执行脚本的总时间
- 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消耗的时间。
注意:根据维基百科的定义,内核是一个计算机程序,用来管理软件的输入输出,并将其翻译成CPU和其他计算机中的电子设备能够执行的数据处理指令。
因此,Real执行时间和User+Sys执行时间的差就是消耗在输入/输出和系统执行其他任务时消耗的时间。
4. 使用cProfile模块
如果想知道每个函数和方法消耗了多少时间,以及这些函数被调用了多少次,可以使用cProfile模块。
$ python
-
m cProfile
-
s cumulative timing_functions.py
现在可以看到代码中函数的详细描述,其中含有每个函数调用的次数,由于使用了-s选项(累加),最终结果会根据每个函数的累计执行时间排序。
读者会发现执行脚本所需的总时间比以前要多。这是由于测量每个函数的执行时间这个操作本身也是需要时间。
5. 使用line_profiler模块
line_profiler模块可以给出执行每行代码所需占用的CPU时间。
首先,安装该模块:
$ pip install line_profiler
接着,需要指定用@profile检测哪个函数(不需要在代码中用import导入模块):
@profile
def
random_sort2(n):
l
=
[random.random()
for
i
in
range
(n)]
l.sort()
return
l
if
__name__
=
=
"__main__"
:
random_sort2(
2000000
)
最好,可以通过下面的命令获得关于random_sort2函数的逐行描述。
$ kernprof
-
l
-
v timing_functions.py
其中-l表示逐行解释,-v表示表示输出详细结果。通过这种方法,我们看到构建数组消耗了44%的计算时间,而sort()方法消耗了剩余的56%的时间。
同样,由于需要检测执行时间,脚本的执行时间更长了。
6. 使用memory_profiler模块
memory_profiler模块用来基于逐行测量代码的内存使用。使用这个模块会让代码运行的更慢。
安装方法如下:
$ pip install memory_profiler
另外,建议安装psutil包,这样memory_profile会运行的快一点:
$ pip install psutil
与line_profiler相似,使用@profile装饰器来标识需要追踪的函数。接着,输入:
$ python
-
m memory_profiler timing_functions.py
脚本的执行时间比以前长1或2秒。如果没有安装psutil包,也许会更长。
从结果可以看出,内存使用是以MiB为单位衡量的,表示的mebibyte(1MiB = 1.05MB)。
7. 使用guppy包
最后,通过这个包可以知道在代码执行的每个阶段中,每种类型(str、tuple、dict等)分别创建了多少对象。
安装方法如下:
$ pip install guppy
接着,将其添加到代码中:
from
guppy
import
hpy
def
random_sort3(n):
hp
=
hpy()
print
"Heap at the beginning of the functionn"
, hp.heap()
l
=
[random.random()
for
i
in
range
(n)]
l.sort()
print
"Heap at the end of the functionn"
, hp.heap()
return
l
if
__name__
=
=
"__main__"
:
random_sort3(
2000000
)
运行代码:
$ python timing_functions.py
可以看到输出结果为:
通过在代码中将heap()放置在不同的位置,可以了解到脚本中的对象创建和删除操作的流程。
如果想学习更多关于Python代码速度优化方面的知识,我建议你去读这本书《High Performance Python: Practical Performant Programming for Humans, september 2014.》
希望这篇文章能偶帮到你!^_^
>>> Python频道微信号:PythonCoder, 扫描加关注,碎片时间提升Python开发技能!- 检测Python程序执行效率及内存和CPU使用的7种方法
- 检测Python程序执行效率及内存和CPU使用的7种方法
- 10种检测Python程序运行时间、CPU和内存占用的方法
- 转载:10种检测Python程序运行时间、CPU和内存占用的方法
- 检测Python程序运行时间和内存占用的方法
- 代码实现cpu的检测和内存使用情况
- HPROF:Java程序的内存及CPU使用分析工具
- 获取操作系统CPU及内存使用信息的另一种方法
- python实时得到cpu和内存的使用情况
- 使用 jprofiler 检测Tomcate 内存及cpu消耗
- linux查看系统cpu和内存使用状况的方法
- linux查看系统cpu和内存使用状况的方法
- PHP脚本执行效率性能检测之WebGrind的使用
- 使用OpenCV检测程序效率
- vmstat检测内存和CPU
- 查看基于Android 系统单个进程内存和CPU使用情况的几种方法
- Linux安装MRTG检测CPU、网络、内存的使用情况
- 常见的内存泄漏及检测方法
- Oracle中Integer类型/DBNull的处理方法
- 遍历目录并将目录下所有文件放到列表中-Python
- JVM-内存管理和内存回收
- ubuntu 12.04(64位)下搭建android5.0开发环境
- ACM水题系列 HDOJ 1061
- 检测Python程序执行效率及内存和CPU使用的7种方法
- Apache与tomcat简介
- 基础练习二
- Hope is a good thing, maybe the best of things and no good thing ever dies !
- Max Points on a Line
- 离散数学实验课中有趣的题目
- 学习shader之前必须知道的东西之计算机图形学(一)渲染管线
- ACM水题系列 HDOJ2393
- [Unity3D]图形渲染优化、渲染管线优化、图形性能优化