Python 小技巧 045：性能分析（二）—— line_profiler

zltzlt

Python 性能分析器 —— line_profiler

line_profiler 和 cProfiler 类似，区别是 line_profiler 是第三方库，而且它会逐行分析代码的用时，比 cProfiler 更强大。

1. 安装

打开 https://www.lfd.uci.edu/~gohlke/pythonlibs/#line_profiler，下载符合自己 Python 版本的 line_profiler .whl 文件：



下载完之后打开 cmd ，切换到文件位置，执行以下命令：

1. pip install {.whl 文件名}

复制代码

2. 使用方法

下面是 demo.py 的内容（求 100 以内哪两个数相加为 100 的程序，双重 for 循环）：

1. # -*- coding: utf-8 -*-
   
2. 
   
3. @profile    # 加 @profile 的函数表示需要进行分析
   
4. def demo():
   
5.     task = []
   
6. 
   
7.     for a in range(0, 101):
   
8.         for b in range(0, 101):
   
9.             if a + b == 100:
   
10.                 task.append((a, b))
    
11.     return task
    
12. 
    
13. 
    
14. if __name__ == '__main__':
    
15.     demo()

复制代码

cmd 执行命令：

1. kernprof -l -v demo.py

复制代码

其中 -l 表示逐行分析，-v 表示输出分析结果。

执行这段命令会生成一个 demo.py.lprof，后期可以对该文件进行分析。

分析结果：

1. Wrote profile results to demo.py.lprof
   
2. Timer unit: 1e-07 s
   
3. 
   
4. Total time: 0.0065966 s
   
5. File: demo.py
   
6. Function: demo at line 3
   
7. 
   
8. Line #      Hits         Time  Per Hit   % Time  Line Contents
   
9. ==============================================================
   
10.      3                                           @profile
    
11.      4                                           def demo():
    
12.      5         1         69.0     69.0      0.1      task = []
    
13.      6
    
14.      7       102        287.0      2.8      0.4      for a in range(0, 101):
    
15.      8     10302      30200.0      2.9     45.8          for b in range(0, 101):
    
16.      9     10201      34938.0      3.4     53.0              if a + b == 100:
    
17.     10       101        468.0      4.6      0.7                  task.append((a, b))
    
18.     11         1          4.0      4.0      0.0      return task

复制代码

其中：

• Total time 表示代码总用时。
• File 表示分析的文件名。
• Function 表示测试的函数。
• Line # 表示行号。
• Hits 表示本行调用的次数。
• Time 表示本行总执行时间。
• Per Hit 表示本行执行一次的用时，是 Time 除以 Hits 的结果。
• % Time 表示本行代码占了它所在函数的消耗的时间百分比。
  

可以看出在 demo 函数中最消耗时间的是判断 a + b 是否等于 100，占用了 50.5% 的时间。

之后对代码进行优化：

1. @profile
   
2. def demo():
   
3.     task = []
   
4. 
   
5.     for a in range(0, 101):
   
6.         b = 100 - a
   
7.         task.append((a, b))
   
8.     return task
   
9. 
   
10. 
    
11. if __name__ == '__main__':
    
12.     demo()

复制代码

再次进行分析：

1. Wrote profile results to demo.py.lprof
   
2. Timer unit: 1e-07 s
   
3. 
   
4. Total time: 0.0001048 s
   
5. File: demo.py
   
6. Function: demo at line 3
   
7. 
   
8. Line #      Hits         Time  Per Hit   % Time  Line Contents
   
9. ==============================================================
   
10.      3                                           @profile
    
11.      4                                           def demo():
    
12.      5         1         31.0     31.0      3.0      task = []
    
13.      6
    
14.      7       102        303.0      3.0     28.9      for a in range(0, 101):
    
15.      8       101        309.0      3.1     29.5          b = 100 - a
    
16.      9       101        402.0      4.0     38.4          task.append((a, b))
    
17.     10         1          3.0      3.0      0.3      return task

复制代码

可以发现总用时及循环体里代码的调用次数减少了。

_2_

沙发！

lijiachen

（又是我）