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 µs ± 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 µs ± 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 -n1000
for i in range(10):n = i**2m = i**3o = abs(i)#### 输出
10.5 µs ± 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_profiler1

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 sFile: <ipython-input-13-41e195af43a9>Function: conversion at line 2Line #      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

你可以清楚地注意到，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。在接下来的3个教程中，我们将分享一些最佳实践来帮助你提高代码的效率。

我希望这篇教程能提供帮助，你能学到一些新东西。

原文链接：https://towardsdatascience.com/did-you-know-you-can-measure-the-execution-time-of-python-codes-14c3b422d438

源码点这获取

Python性能分析，Python可是无所不能的！相关推荐

python程序分析,用Python编写分析Python程序性能的工具的教程
用Python编写分析Python程序性能的工具的教程来源:中文源码网浏览: 次日期:2018年9月2日 [下载文档: 用Python编写分析Python程序性能的工具的教程.tx ...
Python性能分析优化及测试
Python性能分析优化及测试写在前面 CPU分析工具简单的time方法以及包装成的修饰器 timeit UNIX的time命令进行简单的计时 cProfile:分析每个函数运行花费的时间 lin ...
python性能分析（一）——使用timeit给你的程序打个表吧
前言我们可以通过查看程序核心算法的代码,得知核心算法的渐进上界或者下界,从而大概估计出程序在运行时的效率,但是这并不够直观,也不一定十分靠谱(在整体程序中仍有一些不可忽略的运行细节在估计时被忽略了) ...
python性能分析工具模块_python——关于Python Profilers性能分析器
1. 介绍性能分析器 profiler是一个程序,用来描述运行时的程序性能,并且从不同方面提供统计数据加以表述.Python中含有3个模块提供这样的功能,分别是cProfile, profile和ps ...
Python性能分析的学习笔记
1 介绍在这篇文章中,我们将讲述一下关于python代码的性能分析- 2 资料收藏 Pyinstrument Pyinstrument是我在<涛哥聊python>中看到的一个性能分析工具 ...
Python 性能分析入门指南
为什么80%的码农都做不了架构师?>>> 在岭南六少博客找到的好东西. 注: 本文的原作者是 Huy Nguyen ,原文地址为 A guide to analyzing Py ...
Python性能分析利器pyinstrument讲解
一.前言程序的性能也是非常关键的指标,很多时候你的代码跑的快,更能够体现你的技术.最近发现很多小伙伴在性能分析的过程中都是手动打印运行时间的方式来统计代码耗时的: import datetime s ...
Python性能分析入门——cProfile、可视化、逐行分析、内存分析
文章目录简介 cProfile PyCharm 可视化安装 gprof2dot SnakeViz PyCallGraph 逐行分析内存分析内存堆分析其他遇到的坑参考文献简介通过性能分 ...
python性能分析与优化
性能分析: 1.种类: 基于事件的性能分析通过收集程序执行过程中的具体事件进行工作,每个调用都会触发,输出数据量大,精度高def profiler(frame, event, arg):print ' ...
Python性能分析 (Profiling)
此页由Linux Wiki用户 Chenxing于2012年3月21日 (星期三) 07:02的最后更改. 提示:此文已超过 2 年(960 天)未更新,如发现内容过时或有误,欢迎改进:) 性能分析( ...

Python性能分析，Python可是无所不能的！

1.分析一行代码

2.分析多行代码

3.代码块中的每一行代码进行时间分析

结束语

Python性能分析，Python可是无所不能的！相关推荐

最新文章

热门文章