Python性能分析技巧

    
    当我们开始精通编程语言时，我们不仅希望实现最终的编程目标，而且还希望可以使我们的程序更高效。在本文中，我们将学习一些Ipython的命令，这些命令可以帮助我们对Python代码进行时间分析。注意，在本教程中，我建议使用Anaconda。1．分析一行代码要检查一行python代码的执行时间，请使用＊＊％timeit＊＊。下面是一个简单的例子来了解它的工作原理：＃＃＃＃ magics命令％timeit的简单用法％timeit ［num for num in range（20）］
    ＃＃＃＃ 输出1．08 ？s ± 43 ns per loop （mean ± std． dev． of 7 runs， 1000000 loops each）主要注意事项：在要分析的代码行之前使用％timeit它返回代码运行的平均值和标准偏差。在上面的示例中，执行了7次，每次执行对该代码循环100万次（默认行为），这需要平均1．08微秒和43纳秒的标准偏差。在调用magic命令时，可以自定义运行和循环的数量，示例如下：＃＃＃＃ 在％timeit magic命令中自定义运行和循环数％timeit －r5 －n100 ［num for num in range（20）］
    1．01 ？s ± 5．75 ns per loop （mean ± std． dev． of 5 runs， 100 loops each）使用命令选项－r和－n，分别表示执行次数和循环次数，我们将时间配置文件操作定制为执行5次和循环100次。2．分析多行代码本节向前迈进了一步，并解释了如何分析完整的代码块。通过对％timeit magic命令进行一个小的修改，将单百分比（％）替换为双百分比（％％），就可以分析一个完整的代码块。以下为示例演示，供参考：＃＃＃＃ 使用timeblock％％代码分析％％timeit －r5 －n1000for i in range（10）：    n ＝ i＊＊2    m ＝ i＊＊3    o ＝ abs（i）
    ＃＃＃＃ 输出10．5 ？s ± 226 ns per loop （mean ± std． dev． of 5 runs， 1000 loops each）可以观察到for循环的平均执行时间为10．5微秒。请注意，命令选项－r和－n分别用于控制执行次数和循环次数。3．代码块中的每一行代码进行时间分析到目前为止，我们只在分析一行代码或代码块时查看摘要统计信息，如果我们想评估代码块中每一行代码的性能呢？使用Line＿profiler 。Line＿profiler 包可用于对任何函数执行逐行分析。要使用line＿profiler软件包，请执行以下步骤：安装—Line＿profiler 包可以通过简单的调用pip或conda Install来安装。如果使用的是针对Python的anaconda发行版，建议使用conda安装＃＃＃＃ 安装line＿profiler软件包conda install line＿profiler加载扩展—一旦安装，你可以使用IPython来加载line＿profiler：＃＃＃＃ 加载line＿profiler的Ipython扩展％load＿ext line＿profiler时间分析函数—加载后，使用以下语法对任何预定义函数进行时间分析％lprun －f function＿name＿only function＿call＿with＿arguments语法细节：对line＿profiler的调用以关键字％lprun开始，后跟命令选项－f命令选项之后是函数名，然后是函数调用在本练习中，我们将定义一个接受高度（以米为单位）和重量（以磅为单位）列表的函数，并将其分别转换为厘米和千克。＃＃＃＃ 定义函数def conversion（ht＿mtrs， wt＿lbs ）：    ht＿cms ＝ ［ht＊100 for ht in ht＿mtrs］    wt＿kgs ＝ ［wt＊．4535 for wt in wt＿lbs］
    ＃＃＃＃ 定义高度和重量列表：ht ＝ ［5，5，4，7，6］wt ＝ ［108， 120， 110， 98］
    ＃＃＃＃ 使用line＿profiler分析函数％lprun －f conversion conversion（ht，wt）
    －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－＃＃＃＃ 输出Total time： 1．46e－05 s
    File： ＜ipython－input－13－41e195af43a9＞
    Function： conversion at line 2
    Line ＃      Hits         Time  Per Hit   ％ Time  Line Contents＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝     2       1        105．0    105．0     71．9      ht＿cms ＝ ［ht＊100 for ht in ht＿mtrs］     3       1         41．0     41．0     28．1      wt＿kgs ＝ ［wt＊．4535 for wt in wt＿lbs］输出详细信息：以14．6微秒为单位（参考第一行输出）生成的表有6列：第1列（行＃）—代码的行号（请注意，第＃1行是故意从输出中省略的，因为它只是函数定义语句）第2列（命中）—调用该行的次数第3列（时间）—在代码行上花费的时间单位数（每个时间单位为14．6微秒）第4列（每次命中平均时间）—第3列除以第2列第5列（％Time）—在所花费的总时间中，花在特定代码行上的时间百分比是多少第6列（内容）—代码行的内容你可以清楚地看到，高度从米到厘米的转换几乎占了总时间的72％。结束语利用每一行代码的执行时间，我们可以部署策略来提高代码的效率。希望这篇文章能给你提供帮助，你能学到一些新东西。参考链接：https：／／towardsdatascience．com／did－you－know－you－can－measure－the－execution－time－of－python－codes－14c3b422d438
    ☆ END ☆如果看到这里，说明你喜欢这篇文章，请转发、点赞。