我的代码的哪些局部运行工夫最长、内存最多？我怎样才能找到须要改良的中央？”
在开发过程中，我很确定咱们大多数人都会想晓得这一点，而且通常状况下存在开发空间。在本文中总结了一些办法来监控 Python 代码的工夫和内存应用状况。
本文将介绍4种办法，前3种办法提供工夫信息，第4个办法能够取得内存应用状况。
- time 模块
- %%time 魔法命令
- line_profiler
- memory_profiler
time 模块
这是计算代码运行所需工夫的最简略、最间接(但须要手动开发)的办法。他的逻辑也很简略:记录代码运行之前和之后的工夫，计算工夫之间的差别。这能够实现如下:
importtime start_time=time.time() result=5+2 end_time=time.time() print('Time taken = {} sec'.format(end_time-start_time))上面的例子显示了for循环和列表推导式在工夫上的差别:
importtime # for loop vs. list comp list_comp_start_time=time.time() result= [iforiinrange(0,1000000)] list_comp_end_time=time.time() print('Time taken for list comp = {} sec'.format(list_comp_end_time-list_comp_start_time)) result=[] for_loop_start_time=time.time() foriinrange(0,1000000): result.append(i) for_loop_end_time=time.time() print('Time taken for for-loop = {} sec'.format(for_loop_end_time-for_loop_start_time)) list_comp_time=list_comp_end_time-list_comp_start_time for_loop_time=for_loop_end_time-for_loop_start_time print('Difference = {} %'.format((for_loop_time-list_comp_time)/list_comp_time*100))咱们都晓得for会慢一些
Time taken for list comp = 0.05843973159790039 sec Time taken for for-loop = 0.06774497032165527 sec Difference = 15.922795107582594 %%%time 魔法命令
魔法命令是IPython内核中内置的不便命令，能够不便地执行特定的工作。个别状况下都切实jupyter notebook种应用。
在单元格的结尾增加%%time ，单元格执行实现后，会输入单元格执行所破费的工夫。
%%time defconvert_cms(cm, unit='m'): ''' Function to convert cm to m or feet ''' ifunit=='m': returncm/100 returncm/30.48 convert_cms(1000)后果如下：
CPU times: user 24 µs, sys: 1 µs, total: 25 µs Wall time: 28.1 µs Out[8]: 10.0这里的CPU times是CPU解决代码所破费的理论工夫，Wall time是事件通过的实在工夫，在办法入口和办法进口之间的工夫。
line_profiler
前两个办法只提供执行该办法所需的总工夫。通过工夫分析器咱们能够取得函数中每一个代码的运行工夫。
这里咱们须要应用line_profiler包。应用pip install line_profiler。
importline_profiler defconvert_cms(cm, unit='m'): ''' Function to convert cm to m or feet ''' ifunit=='m': returncm/100 returncm/30.48 # Load the profiler %load_extline_profiler # Use the profiler's magic to call the method %lprun-fconvert_cmsconvert_cms(1000, 'f')输入后果如下：
Timer unit: 1e-06 s Total time: 4e-06 s File: /var/folders/y_/ff7_m0c146ddrr_mctd4vpkh0000gn/T/ipykernel_22452/382784489.py Function: convert_cms at line 1 Line # Hits Time Per Hit % Time Line Contents ============================================================== 1 def convert_cms(cm, unit='m'): 2 ''' 3 Function to convert cm to m or feet 4 ''' 5 1 2.0 2.0 50.0 if unit == 'm': 6 return cm/100 7 1 2.0 2.0 50.0 return cm/30.48能够看到line_profiler提供了每行代码所破费工夫的详细信息。
- Line Contents :运行的代码
- Hits:行被执行的次数
- Time:所破费的总工夫(即命中次数x每次命中次数)
- Per Hit:一次执行破费的工夫，也就是说 Time = Hits X Per Hit
- % Time:占总工夫的比例
能够看到，每一行代码都具体的剖析了工夫，这对于咱们剖析工夫相当的有帮忙。
memory_profiler
与line_profiler相似，memory_profiler提供代码的逐行内存应用状况。
要装置它须要应用pip install memory_profiler。咱们这里监督convert_cms_f函数的内存应用状况
from conversions import convert_cms_f import memory_profiler %load_ext memory_profiler %mprun -f convert_cms_f convert_cms_f(1000, 'f')convert_cms_f函数在独自的文件中定义，而后导入。后果如下:
Line # Mem usage Increment Occurrences Line Contents ============================================================= 1 63.7 MiB 63.7 MiB 1 def convert_cms_f(cm, unit='m'): 2 ''' 3 Function to convert cm to m or feet 4 ''' 5 63.7 MiB 0.0 MiB 1 if unit == 'm': 6 return cm/100 7 63.7 MiB 0.0 MiB 1 return cm/30.48memory_profiler 提供对每行代码内存应用状况的具体理解。
这里的1 MiB (MebiByte) 简直等于 1MB。1 MiB = 1.048576 1MB
然而memory_profiler 也有一些毛病：它通过查问操作系统内存，所以后果可能与 python 解释器略有不同，如果在会话中屡次运行 %mprun，可能会留神到增量列报告所有代码行为 0.0 MiB。这是因为魔法命令的限度导致的。
尽管memory_profiler有一些问题，然而它就使咱们可能分明地理解内存应用状况，对于开发来说是一个十分好用的工具
总结
尽管Python并不是一个以执行效率见长的语言，然而在某些非凡状况下这些命令对咱们还是十分有帮忙的。
https://avoid.overfit.cn/post/9204bf68886e4353a32578f87fd977d2
作者：Rishikeshavan