上一篇文章我们介绍了基准测试，通过基准测试可以发现程序变慢了，那么是因为什么原因导致性能变慢的，需要进一步做代码性能分析。python同样提供了性能分析工具。
cProfile
cProfile是python默认的性能分析器，他只测量CPU时间，并不关心内存消耗和其他与内存相关联的信息。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
from time import sleepimport randomdef random_list(start, end, length): """ 生成随机列表 :param start: 随机开始数 :param end: 随机结束数 :param length: 列表长度 """ data_list = [] for i in range(length): data_list.append(random.randint(start, end)) return data_listdef bubble_sort(arr): """ 冒泡排序: 对列表进行排序 :param arr 列表 """ n = len(arr) sleep(1) for i in range(n): for j in range(0, n - i - 1): if arr[j] > arr[j + 1]: arr[j], arr[j + 1] = arr[j + 1], arr[j] return arrif __name__ == '__main__': get_data_list = random_list(1, 99, 10) import cProfile cProfile.run('bubble_sort({})'.format(get_data_list)) |
继续使用上一篇文章中的例子，引用cProfile模块，run()方法参数说明。
run(statement, filename=None, sort=-1)
- statement: 需要测试的代码或者函数（函数名）
- fielname: 结果保存的位置， 默认为stdout
- sort: 结果排序方法，常用的有cumtime: 累积时间， name: 函数名， line: 行号
为了使结果统计出耗时部分，我们加了sleep，结果如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
❯ python demo.py 6 function calls in 1.004 seconds Ordered by: standard name ncalls tottime percall cumtime percall filename:lineno(function) 1 0.000 0.000 1.004 1.004 <string>:1(<module>) 1 0.000 0.000 1.004 1.004 demo.py:19(bubble_sort) 1 0.000 0.000 1.004 1.004 {built-in method builtins.exec} 1 0.000 0.000 0.000 0.000 {built-in method builtins.len} 1 1.004 1.004 1.004 1.004 {built-in method time.sleep} 1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects} |
- 6 function calls in 1.004 seconds 6个函数调用被监控，耗时1.004秒。
- ncalls 函数被调用的次数。如果这一列有两个值，就表示有递归调用，第二个值是原生调用次数，第一个值是总调用次数。
- tottime 函数内部消耗的总时间。（可以帮助优化）
- percall 是tottime除以ncalls，一个函数每次调用平均消耗时间。
- cumtime 之前所有子函数消费时间的累计和。
- filename:lineno(function) 被分析函数所在文件名、行号、函数名。
line_profiler
line_profiler 可以提供有关时间是如何在各行之间分配的信息，直白一点就是给出程序每行的耗时，在无法确定哪行语句最浪费时间，这很有用。
line_profiler是一个第三方模块，需要安装。
https://github.com/pyutils/line_profiler
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
|
from time import sleepimport randomdef random_list(start, end, length): """ 生成随机列表 :param start: 随机开始数 :param end: 随机结束数 :param length: 列表长度 """ data_list = [] for i in range(length): data_list.append(random.randint(start, end)) return data_list@profiledef bubble_sort(arr): """ 冒泡排序: 对列表进行排序 :param arr 列表 """ n = len(arr) sleep(1) for i in range(n): for j in range(0, n - i - 1): if arr[j] > arr[j + 1]: arr[j], arr[j + 1] = arr[j + 1], arr[j] return arrif __name__ == '__main__': get_data_list = random_list(1, 99, 10) bubble_sort(get_data_list) |
给需要监控的函数加上@profile 装饰器。通过kernprof命令运行文件（安装完line_profiler生成的命令）。
参数说明：
- -l：以使用函数line_profiler
- -v：以立即将结果打印到屏幕
运行结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
kernprof -l -v demo.pyWrote profile results to demo.py.lprofTimer unit: 1e-06 sTotal time: 1.00416 sFile: demo.pyFunction: bubble_sort at line 18Line # Hits Time Per Hit % Time Line Contents============================================================== 18 @profile 19 def bubble_sort(arr): 20 """ 21 冒泡排序: 对列表进行排序 22 :param arr 列表 23 """ 24 1 8.0 8.0 0.0 n = len(arr) 25 1 1004030.0 1004030.0 100.0 sleep(1) 26 11 15.0 1.4 0.0 for i in range(n): 27 55 44.0 0.8 0.0 for j in range(0, n - i - 1): 28 45 41.0 0.9 0.0 if arr[j] > arr[j + 1]: 29 20 21.0 1.1 0.0 arr[j], arr[j + 1] = arr[j + 1], arr[j] 30 1 1.0 1.0 0.0 return arr |
输出非常直观，分成了6列。
- Line #：运行的代码行号。
- Hits：代码行运行的次数。
- Time：代码行的执行时间，单位为微秒。
- Per Hit：Time/Hits。
- % Time：代码行总执行时间所占的百分比。
- Line Contents：代码行的内容。
只需查看% Time列，就可清楚地知道时间都花在了什么地方。
总结
性能测试分析站在项目层面是一个很庞大的话题，以前为测试工程师，关注的是性能工具的使用，以及用户维度的性能[1]；作为开发工程师，每个功能都是由一个个函数/方法组成，我们去分析每个函数/方法，甚至是每行代码的耗时，才能更好的进行代码层面的性能优化。
以上就是python如何做代码性能分析的详细内容，更多关于python 代码性能分析的资料请关注服务器之家其它相关文章！
原文链接：https://www.cnblogs.com/fnng/p/14702535.html
