20210203
直接用pycharm 自帶的

20201215
直接裝不上的情況下
先下載安裝文件 再安裝

line_profiler使用裝飾器(@profile)標記需要調試的函數.用kernprof.py腳本運行代碼,被選函數每一行花費的cpu時間以及其他信息就會被記錄下來。

安裝

pip3 install Cpython
pip3 install Cython git+https://github.com/rkern/line_profiler.git

代碼演示
loopdemo.py 100以內哪兩個數相加等于100.
首先是沒有優化過的雙層循環的嵌套

@profile
def foo():task = []for a in range(0, 101):for b in range(0, 101):if a + b == 100:task.append((a, b))return task@profile
def run():for item in foo():passif __name__ == '__main__':run()

運行下面的命令

kernprof -l -v loopdemo.py

-l表示逐行分析,-v用于輸出。同時會輸出一個文件:juliademo.py.lprof，后期可以對.lprof文件進行分析
輸出結果

Wrote profile results to loopdemo.py.lprof
Timer unit: 1e-06 sTotal time: 0.009856 s
File: loopdemo.py
Function: foo at line 1Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================1                                           @profile2                                           def foo():3         1          1.0      1.0      0.0      task = []45       102         47.0      0.5      0.5      for a in range(0, 101):6     10302       4741.0      0.5     48.1          for b in range(0, 101):7     10201       4975.0      0.5     50.5              if a + b == 100:8       101         91.0      0.9      0.9                  task.append((a, b))9         1          1.0      1.0      0.0      return taskTotal time: 0.017778 s
File: loopdemo.py
Function: run at line 12Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================12                                           @profile13                                           def run():14       102      17747.0    174.0     99.8      for item in foo():15       101         31.0      0.3      0.2          pass

引入kernprof.py會額外的增加是時間，但是為了檢測代碼每一行發生了什么，這個影響沒什么，實際代碼運行的時候是不帶@profile裝飾器的只有需要line_profiler進行逐行分析的時候才需要加。
總用時Total time: 0.017778 s
Hits是調用次數。

%Time 列告訴我們哪行代碼占了它所在函數的消耗的時間百分比，可以看出在foo函數中最消耗時間的是判斷a+b==100,占用了50.5%的時間。

然后我對循環部分做下面的優化其他地方不變。

    for a in range(0, 101):b = 100 - atask.append((a, b))return task

得到下面的結果

Wrote profile results to loopdemo.py.lprof
Timer unit: 1e-06 sTotal time: 0.000126 s
File: loopdemo.py
Function: foo at line 1Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================1                                           @profile2                                           def foo():3         1          1.0      1.0      0.8      task = []45       102         33.0      0.3     26.2      for a in range(0, 101):6       101         47.0      0.5     37.3          b = 100 - a7       101         45.0      0.4     35.7          task.append((a, b))8         1          0.0      0.0      0.0      return taskTotal time: 0.000282 s
File: loopdemo.py
Function: run at line 11Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================11                                           @profile12                                           def run():13       102        256.0      2.5     90.8      for item in foo():14       101         26.0      0.3      9.2          pass

可以發現總用時，循環體里代碼的調用次數減少了

Python是一個高層次的結合了解釋性、編譯性、互動性和面向對象的腳本語言，其具有高可擴展性和高可移植性，具有廣泛的標準庫，受到開發者的追捧，廣泛應用于開發運維（DevOps）、數據科學、網站開發和安全。然而，它沒有因速度和空間而贏得任何稱贊，主要原因是Python是一門動態類型語言，每一個簡單的操作都需要大量的指令才能完成。

所以這更加需要開發者在使用Python語言開發項目時協調好程序運行的時間和空間。

1、分析時間耗時
分析項目消耗的時間消耗，依托于line_profiler模塊，其可以計算出執行每行代碼所需占用的CPU時間。

第1步：安裝line_profiler模塊，我是用pip安裝一直失敗，所以下載到本地進行離線安裝，指令如下所示：

pip install .\line_profiler-3.0.2-cp37-cp37m-win_amd64.whl
安裝成功效果如下所示：

第2步：分析每行代碼的運行時間，本案例Demo檢測for循環一萬次累加和while循環一萬次累加的時間，并進行對比，實現代碼如下所示：

from line_profiler import LineProfilerdef operation1():num=0for i in range(10000):num += 1def operation2():num=0while(num < 10000):num += 1if __name__ == "__main__":lprofiler = LineProfiler(operation1,operation2)lprofiler.run('operation1()')lprofiler.run('operation2()')lprofiler.print_stats()

運行程序，可見while循環速度稍微慢一些，效果如下所示：

2、分析空間耗時
memory_profiler模塊可實現對Python項目中每一個代碼的內存消耗進行分析和監控。

第1步：安裝memory_profiler庫文件，指令如下所示：

pip install memory_profiler
安裝成功效果如下所示：

第2步：分析每行代碼的空間消耗，本案例Demo檢測for循環一萬次累加和while循環一萬次累加的消耗空間，并進行對比，實現代碼如下所示：

from memory_profiler import profile@profile
def operation1():num=0for i in range(10000):num += 1@profile
def operation2():num=0while(num < 10000):num += 1if __name__ == "__main__":operation1()operation2()

由于是簡單運算消耗的內存是微乎其微的，效果如下所示：

https://www.cnblogs.com/2020-zhy-jzoj/p/13164788.html

總結

以上是生活随笔為你收集整理的python性能分析之line_profiler模块-耗时,效率 时间的全部內容，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。