1、 在 IPython 中使用 %%timeit和 %timeit

这两个命令可以用来分析字符串的拼接性能以及列表等可迭代对象的循环性能

分析字符串拼接的性能：

 In [1]: import string
 In [2]: %%timeit s=""; long_list=list(string.ascii_letters)*50
 ....: for substring in long_list:
 ....: s+=substring
 ....:
 1000 loops, best of 3: 570 us per loop
 In [3]: %%timeit long_list=list(string.ascii_letters)*50
 ....: s="".join(long_list)
 ....:
 100000 loops, best of 3: 16.1 us per loop
 Profiling loops over iterables and lists:
 In [4]: %timeit for i in range(100000):pass
 100 loops, best of 3: 2.82 ms per loop
 In [5]: %timeit for i in list(range(100000)):pass
 100 loops, best of 3: 3.95 ms per loop

分析对可迭代对象和列表的循环性能：

 In [4]: %timeit for i in range(100000):pass
 100 loops, best of 3: 2.82 ms per loop
 In [5]: %timeit for i in list(range(100000)):pass
 100 loops, best of 3: 3.95 ms per loop

2、 使用 cProfile（推荐的性能分析器）

Python 包含一个名为 cProfile 的性能分析器。通常建议使用它而不是 timeit。

它会分析您脚本中的每个函数，并告诉您：

• ncalls：函数被调用的次数
• tottime：在给定函数中花费的总时间（不包括调用子函数的时间）
• percall：每次调用的平均时间（tottime 除以 ncalls）
• cumtime：在该函数及其所有子函数中花费的累积时间（从调用到退出）。即使是递归函数，这个数字也是准确的。
• percall：cumtime 除以原始调用次数
• filename:lineno(function)：提供每个函数的相应数据

可以通过命令行轻松调用 cProfiler：

 $ python -m cProfile main.py

按函数中花费的时间对返回的性能分析方法列表进行排序：

 $ python -m cProfile -s time main.py

3、 timeit()函数

分析数组中元素的重复性能：

 >>> import timeit
 >>> timeit.timeit('list(itertools.repeat("a", 100))', 'import itertools', number = 10000000)
 10.997665435877963
 >>> timeit.timeit('["a"]*100', number = 10000000)
 7.118789926862576

4、 timeit命令行

分析数字拼接的性能：

 python -m timeit "'-'.join(str(n) for n in range(100))"
 10000 loops, best of 3: 29.2 usec per loop
 
 python -m timeit "'-'.join(map(str,range(100)))"
 100000 loops, best of 3: 19.4 usec per loop

5、命令行中的 line_profiler

带有 @profile 指令的源代码，用于标记我们想要分析的函数：

 import requests
 
 @profile
 def slow_func():
   s = requests.session()
   html=s.get("https://en.wikipedia.org/").text
   sum([pow(ord(x),3.1) for x in list(html)])
 
 for i in range(50):
   slow_func()

使用 kernprof 命令逐行计算性能分析：

 $ kernprof -lv so6.py
 
 Wrote profile results to so6.py.lprof
 Timer unit: 4.27654e-07 s
 
 Total time: 22.6427 s
 File: so6.py
 Function: slow_func at line 4
 
 Line # Hits Time Per Hit % Time Line Contents
 ==============================================================
 4 @profile
 5 def slow_func():
 6 50 20729 414.6 0.0 s = requests.session()
 7 50 47618627 952372.5 89.9 html=s.get("https://en.wikipedia.org/").text
 8 50 5306958 106139.2 10.0 sum([pow(ord(x),3.1) for x in list(html)])

页面请求几乎总是比基于页面信息的任何计算都要慢。

如果您对我的文章有兴趣，我把我发布的文章都归档到我私人网站中去，欢迎访问 https://three-corner.xyz 查阅之前的文章。