(网摘)10种检测Python程序运行时间、CPU和内存占用的方法
此文原始版本转自互联网,本文作者进行代码验证后,略有删改
代码验证环境如下
因此,在这篇文章中我将介绍7个不同的Python工具,来检查代码中函数的执行时间以及内存和CPU的使用。
1. 使用装饰器来衡量函数执行时间
有一个简单方法,那就是定义一个装饰器来测量函数的执行时间,并输出结果:
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
接着,将这个装饰器添加到需要测量的函数之前,如下所示:
@fn_timer def myfunction(...): ...
例如,这里检测一个函数排序含有200万个随机数字的数组所需的时间:
@fn_timer def random_sort(n): return sorted([random.random() for i in range(n)]) if __name__ == "__main__": random_sort(2000000)
执行脚本时,会看到下面的结果:
Total time running random_sort: 1.41124916077 seconds
1.2
使用<装饰器
范例
2
执行脚本时,会看到下面的结果:
import time from functools import wraps template_db = { "node_templates": { "Forwarding_path1": { "type": "tosca.nodes.nfv.FP.Tacker", "description": "creates path (CP12->CP22)", "properties": { "policy": { "type": "ACL", "criteria": [ {"network_src_port_id": {"get_input": "network_src_port_id"}}, {"destination_port_range": "80-1024"}, {"ip_proto": 6}, {"ip_dst_prefix": "10.10.0.100/24"} ] }, "path": [ {"capability": {"get_input": "capability"}, "forwarder": "VNFFG_VNFD1"}, {"capability": "CP22", "forwarder": "VNFFG_VNFD2"} ], "id": 51 } } }, "description": {"get_input": "description"}, "groups": { "VNFFG1": { "type": "tosca.groups.nfv.VNFFG", "description": "HTTP to Corporate Net", "members": ["Forwarding_path1"], "properties": { "vendor": "tacker", "connection_point": ["CP12", "CP22"], "version": 1.0, "constituent_vnfs": ["VNFFG_VNFD1", "VNFFG_VNFD2"], "number_of_endpoints": 5, "dependent_virtual_link": ["VL12", "VL22"] } } } } 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 @fn_timer def dict_matched001(src_dict, target_dict): for param_key in src_dict.keys(): if target_dict.get(param_key) is None: return @fn_timer def dict_matched002(src_dict, target_dict): unmatch = set(src_dict) - set(target_dict) if unmatch: return g_src_dict = template_db g_target_dict = template_db def main(): print ("Start to check dict_matched001 running time.") dict_matched001(g_src_dict, g_target_dict) print ("Start to check dict_matched002 running time.") dict_matched002(g_src_dict, g_target_dict) if __name__ == "__main__": main()
执行脚本时,会看到下面的结果:
Start to check dict_matched001 running time. Total time running dict_matched001: 5.96046447754e-06 seconds Start to check dict_matched002 running time. Total time running dict_matched002: 1.4066696167e-05 seconds
2. 使用timeit模块
另一种方法是使用timeit模块,用来计算平均时间消耗。
执行下面的脚本可以运行该模块。
python -m timeit -n 4 -r 5 -s "import timing_functions" "timing_functions.random_sort(2000000)"
这里的timing_functions是Python脚本文件名称。
在输出的末尾,可以看到以下结果:
4 loops, best of 5: 2.08 sec per loop
这表示测试了4次,平均每次测试重复5次,最好的测试结果是2.08秒。
如果不指定测试或重复次数,默认值为10次测试,每次重复5次。
3. 使用Unix系统中的time命令
然而,装饰器和timeit都是基于Python的。在外部环境测试Python时,unix time实用工具就非常有用。
运行time实用工具:
$ time -p python timing_functions.py
输出结果为:
Total time running random_sort: 1.3931210041 seconds real 1.49 user 1.40 sys 0.08
第一行来自预定义的装饰器,其他三行为:
- real表示的是执行脚本的总时间
- user表示的是执行脚本消耗的CPU时间。
- sys表示的是执行内核函数消耗的时间。
注意:根据维基百科的定义,内核是一个计算机程序,用来管理软件的输入输出,并将其翻译成CPU和其他计算机中的电子设备能够执行的数据处理指令。
因此,Real执行时间和User+Sys执行时间的差就是消耗在输入/输出和系统执行其他任务时消耗的时间。
4. 使用cProfile模块
如果想知道每个函数和方法消耗了多少时间,以及这些函数被调用了多少次,可以使用cProfile模块。
$ python -m cProfile -s cumulative timing_functions.py
现在可以看到代码中函数的详细描述,其中含有每个函数调用的次数,由于使用了-s选项(累加),最终结果会根据每个函数的累计执行时间排序。
读者会发现执行脚本所需的总时间比以前要多。这是由于测量每个函数的执行时间这个操作本身也是需要时间。
5. 使用line_profiler模块
line_profiler模块可以给出执行每行代码所需占用的CPU时间。
首先,安装该模块:
$ pip install line_profiler
接着,需要指定用@profile检测哪个函数(不需要在代码中用import导入模块):
@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,可以通过下面的命令获得关于random_sort2函数的逐行描述。
$ kernprof -l -v timing_functions.py
其中-l表示逐行解释,-v表示表示输出详细结果。通过这种方法,我们看到构建数组消耗了44%的计算时间,而sort()方法消耗了剩余的56%的时间。
同样,由于需要检测执行时间,脚本的执行时间更长了。
6. 使用memory_profiler模块
memory_profiler模块用来基于逐行测量代码的内存使用。使用这个模块会让代码运行的更慢。
安装方法如下:
pip install memory_profiler
另外,建议安装psutil包,这样memory_profile会运行的快一点:
$ pip install psutil
与line_profiler相似,使用@profile装饰器来标识需要追踪的函数。接着,输入:
$ python -m memory_profiler timing_functions.py
脚本的执行时间比以前长1或2秒。如果没有安装psutil包,也许会更长。
从结果可以看出,内存使用是以MiB为单位衡量的,表示的mebibyte(1MiB = 1.05MB)。
7. 使用guppy包
最后,通过这个包可以知道在代码执行的每个阶段中,每种类型(str、tuple、dict等)分别创建了多少对象。
安装方法如下:
$ pip install guppy
接着,将其添加到代码中:
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)
运行代码:
$ python timing_functions.py
可以看到输出结果为:
通过在代码中将heap()放置在不同的位置,可以了解到脚本中的对象创建和删除操作的流程。
如果想学习更多关于Python代码速度优化方面的知识,有时间可以去看看这本书
《High Performance Python: Practical Performant Programming for Humans, september 2014.》