在運行復雜的Python程序時，執(zhí)行時間會很長，這時也許想提高程序的執(zhí)行效率。但該怎么做呢？

首先，要有個工具能夠檢測代碼中的瓶頸，例如，找到哪一部分執(zhí)行時間比較長。接著，就針對這一部分進行優(yōu)化。

同時，還需要控制內存和CPU的使用，這樣可以在另一方面優(yōu)化代碼。

因此，在這篇文章中我將介紹7個不同的Python工具，來檢查代碼中函數的執(zhí)行時間以及內存和CPU的使用。

1. 使用裝飾器來衡量函數執(zhí)行時間

有一個簡單方法，那就是定義一個裝飾器來測量函數的執(zhí)行時間，并輸出結果：

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

接著，將這個裝飾器添加到需要測量的函數之前，如下所示：

@fn_timer

def myfunction(...):

...

例如，這里檢測一個函數排序含有200萬個隨機數字的數組所需的時間：

@fn_timer

def random_sort(n):

return sorted([random.random() for i in range(n)])

if __name__ == "__main__":

random_sort(2000000)

執(zhí)行腳本時，會看到下面的結果：

Total time running random_sort: 1.41124916077 seconds

2. 使用timeit模塊

另一種方法是使用timeit模塊，用來計算平均時間消耗。

執(zhí)行下面的腳本可以運行該模塊。

python -m timeit -n 4 -r 5 -s "import timing_functions" "timing_functions.random_sort(2000000)"

這里的timing_functions是Python腳本文件名稱。

在輸出的末尾，可以看到以下結果：

4 loops, best of 5: 2.08 sec per loop

這表示測試了4次，平均每次測試重復5次，最好的測試結果是2.08秒。

如果不指定測試或重復次數，默認值為10次測試，每次重復5次。

3. 使用Unix系統(tǒng)中的time命令

然而，裝飾器和timeit都是基于Python的。在外部環(huán)境測試Python時，unix time實用工具就非常有用。

運行time實用工具：

$ time -p python timing_functions.py

輸出結果為：

Total time running random_sort: 1.3931210041 seconds

real 1.49

user 1.40

sys 0.08

第一行來自預定義的裝飾器，其他三行為：

real表示的是執(zhí)行腳本的總時間

user表示的是執(zhí)行腳本消耗的CPU時間。

sys表示的是執(zhí)行內核函數消耗的時間。

注意：根據維基百科的定義，內核是一個計算機程序，用來管理軟件的輸入輸出，并將其翻譯成CPU和其他計算機中的電子設備能夠執(zhí)行的數據處理指令。

因此，Real執(zhí)行時間和User+Sys執(zhí)行時間的差就是消耗在輸入/輸出和系統(tǒng)執(zhí)行其他任務時消耗的時間。

4. 使用cProfile模塊

如果想知道每個函數和方法消耗了多少時間，以及這些函數被調用了多少次，可以使用cProfile模塊。

$ python -m cProfile -s cumulative timing_functions.py

現在可以看到代碼中函數的詳細描述，其中含有每個函數調用的次數，由于使用了-s選項（累加），最終結果會根據每個函數的累計執(zhí)行時間排序。

讀者會發(fā)現執(zhí)行腳本所需的總時間比以前要多。這是由于測量每個函數的執(zhí)行時間這個操作本身也是需要時間。

5. 使用line_profiler模塊

line_profiler模塊可以給出執(zhí)行每行代碼所需占用的CPU時間。

首先，安裝該模塊：

$ pip install line_profiler

接著，需要指定用@profile檢測哪個函數（不需要在代碼中用import導入模塊）：

@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，可以通過下面的命令獲得關于random_sort2函數的逐行描述。

$ kernprof -l -v timing_functions.py

其中-l表示逐行解釋，-v表示表示輸出詳細結果。通過這種方法，我們看到構建數組消耗了44%的計算時間，而sort()方法消耗了剩余的56%的時間。

同樣，由于需要檢測執(zhí)行時間，腳本的執(zhí)行時間更長了。

6. 使用memory_profiler模塊

memory_profiler模塊用來基于逐行測量代碼的內存使用。使用這個模塊會讓代碼運行的更慢。

安裝方法如下：

pip install memory_profiler

另外，建議安裝psutil包，這樣memory_profile會運行的快一點：

$ pip install psutil

與line_profiler相似，使用@profile裝飾器來標識需要追蹤的函數。接著，輸入：

$ python -m memory_profiler timing_functions.py

腳本的執(zhí)行時間比以前長1或2秒。如果沒有安裝psutil包，也許會更長。

從結果可以看出，內存使用是以MiB為單位衡量的，表示的mebibyte（1MiB = 1.05MB）。

7. 使用guppy包

最后，通過這個包可以知道在代碼執(zhí)行的每個階段中，每種類型（str、tuple、dict等）分別創(chuàng)建了多少對象。

安裝方法如下：

$ pip install guppy

接著，將其添加到代碼中：

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)

運行代碼：

$ python timing_functions.py

可以看到輸出結果為：

通過在代碼中將heap()放置在不同的位置，可以了解到腳本中的對象創(chuàng)建和刪除操作的流程。

如果想學習更多關于Python代碼速度優(yōu)化方面的知識，我建議你去讀這本書《High Performance Python: Practical Performant Programming for Humans, september 2014.》

希望這篇文章能偶幫到你！^_^

本文標題: 10種檢測Python程序運行時間、CPU和內存占用的方法

本文地址: http://www.cppcns.com/jiaoben/python/121891.html

總結

以上是生活随笔為你收集整理的python测试代码运行时间_10种检测Python程序运行时间、CPU和内存占用的方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。