上一篇文章我們介紹了基準測試，通過基準測試可以發現程序變慢了，那么是因為什么原因導致性能變慢的，需要進一步做代碼性能分析。python同樣提供了性能分析工具。

cProfile

cProfile是python默認的性能分析器，他只測量CPU時間，并不關心內存消耗和其他與內存相關聯的信息。

from time import sleepimport randomdef random_list(start, end, length): ''' 生成隨機列表 :param start: 隨機開始數 :param end: 隨機結束數 :param length: 列表長度 ''' data_list = [] for i in range(length):data_list.append(random.randint(start, end)) return data_listdef bubble_sort(arr): ''' 冒泡排序: 對列表進行排序 :param arr 列表 ''' n = len(arr) sleep(1) for i in range(n):for j in range(0, n - i - 1): if arr[j] > arr[j + 1]:arr[j], arr[j + 1] = arr[j + 1], arr[j] return arrif __name__ == ’__main__’: get_data_list = random_list(1, 99, 10) import cProfile cProfile.run(’bubble_sort({})’.format(get_data_list))

繼續使用上一篇文章中的例子，引用cProfile模塊，run()方法參數說明。

run(statement, filename=None, sort=-1)

statement: 需要測試的代碼或者函數（函數名） fielname: 結果保存的位置， 默認為stdout sort: 結果排序方法，常用的有cumtime: 累積時間， name: 函數名， line: 行號

為了使結果統計出耗時部分，我們加了sleep，結果如下：

❯ python demo.py 6 function calls in 1.004 seconds Ordered by: standard name ncalls tottime percall cumtime percall filename:lineno(function)1 0.000 0.000 1.004 1.004 <string>:1(<module>)1 0.000 0.000 1.004 1.004 demo.py:19(bubble_sort)1 0.000 0.000 1.004 1.004 {built-in method builtins.exec}1 0.000 0.000 0.000 0.000 {built-in method builtins.len}1 1.004 1.004 1.004 1.004 {built-in method time.sleep}1 0.000 0.000 0.000 0.000 {method ’disable’ of ’_lsprof.Profiler’ objects} 6 function calls in 1.004 seconds 6個函數調用被監控，耗時1.004秒。 ncalls 函數被調用的次數。如果這一列有兩個值，就表示有遞歸調用，第二個值是原生調用次數，第一個值是總調用次數。 tottime 函數內部消耗的總時間。（可以幫助優化） percall 是tottime除以ncalls，一個函數每次調用平均消耗時間。 cumtime 之前所有子函數消費時間的累計和。 filename:lineno(function) 被分析函數所在文件名、行號、函數名。line_profiler

line_profiler 可以提供有關時間是如何在各行之間分配的信息，直白一點就是給出程序每行的耗時，在無法確定哪行語句最浪費時間，這很有用。

line_profiler是一個第三方模塊，需要安裝。

https://github.com/pyutils/line_profiler

from time import sleepimport randomdef random_list(start, end, length): ''' 生成隨機列表 :param start: 隨機開始數 :param end: 隨機結束數 :param length: 列表長度 ''' data_list = [] for i in range(length):data_list.append(random.randint(start, end)) return data_list@profiledef bubble_sort(arr): ''' 冒泡排序: 對列表進行排序 :param arr 列表 ''' n = len(arr) sleep(1) for i in range(n):for j in range(0, n - i - 1): if arr[j] > arr[j + 1]:arr[j], arr[j + 1] = arr[j + 1], arr[j] return arrif __name__ == ’__main__’: get_data_list = random_list(1, 99, 10) bubble_sort(get_data_list)

給需要監控的函數加上@profile 裝飾器。通過kernprof命令運行文件（安裝完line_profiler生成的命令）。

參數說明：

-l：以使用函數line_profiler -v：以立即將結果打印到屏幕

運行結果：

kernprof -l -v demo.pyWrote profile results to demo.py.lprofTimer unit: 1e-06 sTotal time: 1.00416 sFile: demo.pyFunction: bubble_sort at line 18Line # Hits Time Per Hit % Time Line Contents============================================================== 18 @profile 19 def bubble_sort(arr): 20 ''' 21 冒泡排序: 對列表進行排序 22 :param arr 列表 23 ''' 24 1 8.0 8.0 0.0 n = len(arr) 25 1 1004030.0 1004030.0 100.0 sleep(1) 2611 15.0 1.4 0.0 for i in range(n): 2755 44.0 0.8 0.0 for j in range(0, n - i - 1): 2845 41.0 0.9 0.0 if arr[j] > arr[j + 1]: 2920 21.0 1.1 0.0 arr[j], arr[j + 1] = arr[j + 1], arr[j] 30 1 1.0 1.0 0.0 return arr

輸出非常直觀，分成了6列。

Line #：運行的代碼行號。 Hits：代碼行運行的次數。 Time：代碼行的執行時間，單位為微秒。 Per Hit：Time/Hits。 % Time：代碼行總執行時間所占的百分比。 Line Contents：代碼行的內容。

只需查看% Time列，就可清楚地知道時間都花在了什么地方。

總結

性能測試分析站在項目層面是一個很龐大的話題，以前為測試工程師，關注的是性能工具的使用，以及用戶維度的性能[1]；作為開發工程師，每個功能都是由一個個函數/方法組成，我們去分析每個函數/方法，甚至是每行代碼的耗時，才能更好的進行代碼層面的性能優化。

以上就是python如何做代碼性能分析的詳細內容，更多關于python 代碼性能分析的資料請關注好吧啦網其它相關文章！