快捷導(dǎo)航

Python實(shí)現(xiàn)監(jiān)控內(nèi)存使用情況和代碼執(zhí)行時(shí)間

更新時(shí)間：2023年01月28日 09:42:30 作者：deephub

我的代碼的哪些部分運(yùn)行時(shí)間最長(zhǎng)、內(nèi)存最多？我怎樣才能找到需要改進(jìn)的地方？在開(kāi)發(fā)過(guò)程中，我很確定我們大多數(shù)人都會(huì)想知道這一點(diǎn)。本文總結(jié)了一些方法來(lái)監(jiān)控?Python?代碼的時(shí)間和內(nèi)存使用情況，希望對(duì)大家有所幫助

time 模塊

這是計(jì)算代碼運(yùn)行所需時(shí)間的最簡(jiǎn)單、最直接(但需要手動(dòng)開(kāi)發(fā))的方法。他的邏輯也很簡(jiǎn)單:記錄代碼運(yùn)行之前和之后的時(shí)間，計(jì)算時(shí)間之間的差異。這可以實(shí)現(xiàn)如下:

importtime
 
 start_time=time.time()
 result=5+2
 end_time=time.time()
 
 print('Time taken = {} sec'.format(end_time-start_time))

下面的例子顯示了for循環(huán)和列表推導(dǎo)式在時(shí)間上的差異:

importtime
 
 # for loop vs. list comp
 list_comp_start_time=time.time()
 result= [iforiinrange(0,1000000)]
 list_comp_end_time=time.time()
 print('Time taken for list comp = {} sec'.format(list_comp_end_time-list_comp_start_time))
 
 result=[]
 for_loop_start_time=time.time()
 foriinrange(0,1000000):
     result.append(i)
 for_loop_end_time=time.time()
 print('Time taken for for-loop = {} sec'.format(for_loop_end_time-for_loop_start_time))
 
 list_comp_time=list_comp_end_time-list_comp_start_time
 for_loop_time=for_loop_end_time-for_loop_start_time
 print('Difference = {} %'.format((for_loop_time-list_comp_time)/list_comp_time*100))

我們都知道for會(huì)慢一些

Time taken for list comp = 0.05843973159790039 sec
 Time taken for for-loop = 0.06774497032165527 sec
 Difference = 15.922795107582594 %

%%time 魔法命令

魔法命令是IPython內(nèi)核中內(nèi)置的方便命令，可以方便地執(zhí)行特定的任務(wù)。一般情況下都實(shí)在jupyter notebook種使用。

在單元格的開(kāi)頭添加%%time ，單元格執(zhí)行完成后，會(huì)輸出單元格執(zhí)行所花費(fèi)的時(shí)間。

%%time
 defconvert_cms(cm, unit='m'):
     '''
     Function to convert cm to m or feet
     '''
     ifunit=='m':
         returncm/100
     returncm/30.48
 
 convert_cms(1000)

結(jié)果如下：

CPU times: user 24 µs, sys: 1 µs, total: 25 µs
Wall time: 28.1 µs

Out[8]: 10.0

這里的CPU times是CPU處理代碼所花費(fèi)的實(shí)際時(shí)間，Wall time是事件經(jīng)過(guò)的真實(shí)時(shí)間，在方法入口和方法出口之間的時(shí)間。

line_profiler

前兩個(gè)方法只提供執(zhí)行該方法所需的總時(shí)間。通過(guò)時(shí)間分析器我們可以獲得函數(shù)中每一個(gè)代碼的運(yùn)行時(shí)間。

這里我們需要使用line_profiler包。使用pip install line_profiler。

importline_profiler
 
 defconvert_cms(cm, unit='m'):
     '''
     Function to convert cm to m or feet
     '''
     ifunit=='m':
         returncm/100
     returncm/30.48
 
 # Load the profiler
 %load_extline_profiler
 
 # Use the profiler's magic to call the method
 %lprun-fconvert_cmsconvert_cms(1000, 'f')

輸出結(jié)果如下：

Timer unit: 1e-06 s

Total time: 4e-06 s
File: /var/folders/y_/ff7_m0c146ddrr_mctd4vpkh0000gn/T/ipykernel_22452/382784489.py
Function: convert_cms at line 1

Line # Hits Time Per Hit % Time Line Contents
==============================================================
1 def convert_cms(cm, unit='m'):
2 '''
3 Function to convert cm to m or feet
4 '''
5 1 2.0 2.0 50.0 if unit == 'm':
6 return cm/100
7 1 2.0 2.0 50.0 return cm/30.48

可以看到line_profiler提供了每行代碼所花費(fèi)時(shí)間的詳細(xì)信息。

Line Contents :運(yùn)行的代碼
Hits:行被執(zhí)行的次數(shù)
Time:所花費(fèi)的總時(shí)間(即命中次數(shù)x每次命中次數(shù))
Per Hit:一次執(zhí)行花費(fèi)的時(shí)間，也就是說(shuō) Time = Hits X Per Hit
% Time:占總時(shí)間的比例

可以看到，每一行代碼都詳細(xì)的分析了時(shí)間，這對(duì)于我們分析時(shí)間相當(dāng)?shù)挠袔椭?/p>

memory_profiler

與line_profiler類似，memory_profiler提供代碼的逐行內(nèi)存使用情況。

要安裝它需要使用pip install memory_profiler。我們這里監(jiān)視convert_cms_f函數(shù)的內(nèi)存使用情況

from conversions import convert_cms_f
 import memory_profiler
 
 %load_ext memory_profiler
 
 %mprun -f convert_cms_f convert_cms_f(1000, 'f')

convert_cms_f函數(shù)在單獨(dú)的文件中定義，然后導(dǎo)入。結(jié)果如下:

Line # Mem usage Increment Occurrences Line Contents
=============================================================
1 63.7 MiB 63.7 MiB 1 def convert_cms_f(cm, unit='m'):
2 '''
3 Function to convert cm to m or feet
4 '''
5 63.7 MiB 0.0 MiB 1 if unit == 'm':
6 return cm/100
7 63.7 MiB 0.0 MiB 1 return cm/30.48

memory_profiler 提供對(duì)每行代碼內(nèi)存使用情況的詳細(xì)了解。

這里的1 MiB (MebiByte) 幾乎等于 1MB。1 MiB = 1.048576 1MB

但是memory_profiler 也有一些缺點(diǎn)：它通過(guò)查詢操作系統(tǒng)內(nèi)存，所以結(jié)果可能與 python 解釋器略有不同，如果在會(huì)話中多次運(yùn)行 %mprun，可能會(huì)注意到增量列報(bào)告所有代碼行為 0.0 MiB。這是因?yàn)槟Х畹南拗茖?dǎo)致的。

雖然memory_profiler有一些問(wèn)題，但是它就使我們能夠清楚地了解內(nèi)存使用情況，對(duì)于開(kāi)發(fā)來(lái)說(shuō)是一個(gè)非常好用的工具