新聞中心

這里有您想知道的互聯(lián)網(wǎng)營銷解決方案

創(chuàng)新互聯(lián)Python教程：Python性能分析器

python 性能分析器

源代碼： Lib/profile.py 和 Lib/pstats.py

成都創(chuàng)新互聯(lián)是一家從事企業(yè)網(wǎng)站建設(shè)、成都做網(wǎng)站、成都網(wǎng)站設(shè)計、行業(yè)門戶網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計制作的專業(yè)的建站公司，擁有經(jīng)驗(yàn)豐富的網(wǎng)站建設(shè)工程師和網(wǎng)頁設(shè)計人員，具備各種規(guī)模與類型網(wǎng)站建設(shè)的實(shí)力，在網(wǎng)站建設(shè)領(lǐng)域樹立了自己獨(dú)特的設(shè)計風(fēng)格。自公司成立以來曾獨(dú)立設(shè)計制作的站點(diǎn)上千多家。

性能分析器簡介

cProfile 和 profile 提供了 Python 程序的 確定性性能分析 。 profile 是一組統(tǒng)計數(shù)據(jù)，描述程序的各個部分執(zhí)行的頻率和時間。這些統(tǒng)計數(shù)據(jù)可以通過 pstats 模塊格式化為報表。

Python 標(biāo)準(zhǔn)庫提供了同一分析接口的兩種不同實(shí)現(xiàn)：

對于大多數(shù)用戶，建議使用 cProfile ；這是一個 C 擴(kuò)展插件，因?yàn)槠浜侠淼倪\(yùn)行開銷，所以適合于分析長時間運(yùn)行的程序。該插件基于 lsprof ，由 Brett Rosen 和 Ted Chaotter 貢獻(xiàn)。
profile 是一個純 Python 模塊（cProfile 就是模擬其接口的 C 語言實(shí)現(xiàn)），但它會顯著增加配置程序的開銷。如果你正在嘗試以某種方式擴(kuò)展分析器，則使用此模塊可能會更容易完成任務(wù)。該模塊最初由 Jim Roskind 設(shè)計和編寫。

備注

profiler 分析器模塊被設(shè)計為給指定的程序提供執(zhí)行概要文件，而不是用于基準(zhǔn)測試目的（ timeit 才是用于此目標(biāo)的，它能獲得合理準(zhǔn)確的結(jié)果）。這特別適用于將 Python 代碼與 C 代碼進(jìn)行基準(zhǔn)測試：分析器為Python 代碼引入開銷，但不會為 C級別的函數(shù)引入開銷，因此 C 代碼似乎比任何Python 代碼都更快。

實(shí)時用戶手冊

本節(jié)是為 “不想閱讀手冊” 的用戶提供的。它提供了非常簡短的概述，并允許用戶快速對現(xiàn)有應(yīng)用程序執(zhí)行評測。

要分析采用單個參數(shù)的函數(shù)，可以執(zhí)行以下操作：

 
 
 
 
  
  
  
  import cProfile
  
  
  
  import re
  
  
  
  cProfile.run('re.compile("foo|bar")')

（如果 cProfile 在您的系統(tǒng)上不可用，請使用 profile 。）

上述操作將運(yùn)行 re.compile() 并打印分析結(jié)果，如下所示：

 
 
 
 
  
  
  
   214 function calls (207 primitive calls) in 0.002 seconds
  
  
  
  
  
  
  
  Ordered by: cumulative time
  
  
  
  
  
  
  
  ncalls tottime percall cumtime percall filename:lineno(function)
  
  
  
   1 0.000 0.000 0.002 0.002 {built-in method builtins.exec}
  
  
  
   1 0.000 0.000 0.001 0.001 :1()
  
  
  
   1 0.000 0.000 0.001 0.001 __init__.py:250(compile)
  
  
  
   1 0.000 0.000 0.001 0.001 __init__.py:289(_compile)
  
  
  
   1 0.000 0.000 0.000 0.000 _compiler.py:759(compile)
  
  
  
   1 0.000 0.000 0.000 0.000 _parser.py:937(parse)
  
  
  
   1 0.000 0.000 0.000 0.000 _compiler.py:598(_code)
  
  
  
   1 0.000 0.000 0.000 0.000 _parser.py:435(_parse_sub)

The first line indicates that 214 calls were monitored. Of those calls, 207 were primitive, meaning that the call was not induced via recursion. The next line: Ordered by: cumulative name, indicates that the text string in the far right column was used to sort the output. The column headings include:

ncalls

調(diào)用次數(shù)

tottime

在指定函數(shù)中消耗的總時間（不包括調(diào)用子函數(shù)的時間）

percall

是 tottime 除以 ncalls 的商

cumtime

指定的函數(shù)及其所有子函數(shù)（從調(diào)用到退出）消耗的累積時間。這個數(shù)字對于遞歸函數(shù)來說是準(zhǔn)確的。

percall

是 cumtime 除以原始調(diào)用（次數(shù)）的商（即：函數(shù)運(yùn)行一次的平均時間）

filename:lineno(function)

提供相應(yīng)數(shù)據(jù)的每個函數(shù)

如果第一列中有兩個數(shù)字（例如3/1），則表示函數(shù)遞歸。第二個值是原始調(diào)用次數(shù)，第一個是調(diào)用的總次數(shù)。請注意，當(dāng)函數(shù)不遞歸時，這兩個值是相同的，并且只打印單個數(shù)字。

profile 運(yùn)行結(jié)束時，打印輸出不是必須的。也可以通過為 run() 函數(shù)指定文件名，將結(jié)果保存到文件中：

 
 
 
 
  
  
  
  import cProfile
  
  
  
  import re
  
  
  
  cProfile.run('re.compile("foo|bar")', 'restats')

pstats.Stats 類從文件中讀取 profile 結(jié)果，并以各種方式對其進(jìn)行格式化。

cProfile 和 profile 文件也可以作為腳本調(diào)用，以分析另一個腳本。例如：

 
 
 
 
  
  
  
  python -m cProfile [-o output_file] [-s sort_order] (-m module | myscript.py)

-o 將profile 結(jié)果寫入文件而不是標(biāo)準(zhǔn)輸出

-s 指定 sort_stats() 排序值之一以對輸出進(jìn)行排序。這僅適用于未提供 -o 的情況

-m 指定要分析的是模塊而不是腳本。

3.7 新版功能: cProfile 添加 -m 選項(xiàng)
3.8 新版功能: profile 添加 -m 選項(xiàng)

pstats 模塊的 Stats 類具有各種方法用來操縱和打印保存到性能分析結(jié)果文件的數(shù)據(jù)。

 
 
 
 
  
  
  
  import pstats
  
  
  
  from pstats import SortKey
  
  
  
  p = pstats.Stats('restats')
  
  
  
  p.strip_dirs().sort_stats(-1).print_stats()

strip_dirs() 方法移除了所有模塊名稱中的多余路徑。 sort_stats() 方法按照打印出來的標(biāo)準(zhǔn)模塊/行/名稱對所有條目進(jìn)行排序。 print_stats() 方法打印出所有的統(tǒng)計數(shù)據(jù)。你可以嘗試下列排序調(diào)用:

 
 
 
 
  
  
  
  p.sort_stats(SortKey.NAME)
  
  
  
  p.print_stats()

第一個調(diào)用實(shí)際上將按函數(shù)名稱對列表進(jìn)行排序，而第二個調(diào)用將打印出統(tǒng)計數(shù)據(jù)。下面是一些可以嘗試的有趣調(diào)用:

 
 
 
 
  
  
  
  p.sort_stats(SortKey.CUMULATIVE).print_stats(10)

這將按一個函數(shù)中的累計時間對性能分析數(shù)據(jù)進(jìn)行排序，然后只打印出最重要的十行。如果你了解哪些算法在耗費(fèi)時間，上面這一行就是你應(yīng)該使用的。

如果你想要看看哪些函數(shù)的循環(huán)次數(shù)多，且耗費(fèi)時間長，你應(yīng)當(dāng)這樣做:

 
 
 
 
  
  
  
  p.sort_stats(SortKey.TIME).print_stats(10)

以按照每個函數(shù)耗費(fèi)的時間進(jìn)行排序，然后打印前十個函數(shù)的統(tǒng)計數(shù)據(jù)。

你也可以嘗試：

 
 
 
 
  
  
  
  p.sort_stats(SortKey.FILENAME).print_stats('__init__')

這將按照文件名對所有統(tǒng)計數(shù)據(jù)進(jìn)行排序，然后只打印出類初始化方法的統(tǒng)計數(shù)據(jù) (因?yàn)樗鼈兊拿Q中都有 __init__)。作為最后一個例子，你可以嘗試:

 
 
 
 
  
  
  
  p.sort_stats(SortKey.TIME, SortKey.CUMULATIVE).print_stats(.5, 'init')

這一行以時間為主鍵，并以累計時間為次鍵進(jìn)行排序，然后打印出部分統(tǒng)計數(shù)據(jù)。具體來說，該列表首先被縮減至原始大小的 50% (即: .5)，然后只保留包含 init 的行，并打印該子列表。

如果你想知道有哪些函數(shù)調(diào)用了上述函數(shù)，你現(xiàn)在就可以做 (p 仍然會按照最后一個標(biāo)準(zhǔn)進(jìn)行排序):

 
 
 
 
  
  
  
  p.print_callers(.5, 'init')

這樣你將得到每個被列出的函數(shù)的調(diào)用方列表。

如果你想要更多的功能，你就必須閱讀手冊，或者自行猜測下列函數(shù)的作用:

 
 
 
 
  
  
  
  p.print_callees()
  
  
  
  p.add('restats')

作為腳本發(fā)起調(diào)用，pstats 模塊是一個用于讀取和性能分析轉(zhuǎn)儲文件的統(tǒng)計數(shù)據(jù)瀏覽器。它有一個簡單的面向行的界面（使用 cmd 實(shí)現(xiàn)）和交互式的幫助。

profile 和 cProfile 模塊參考

profile 和 cProfile 模塊都提供下列函數(shù)：

profile.run(command, filename=None, sort=- 1)

此函數(shù)接受一個可被傳遞給 exec() 函數(shù)的單獨(dú)參數(shù)，以及一個可選的文件名。在所有情況下這個例程都會執(zhí)行:

 
 
 
 
  
  
  
  exec(command, __main__.__dict__, __main__.__dict__)

并收集執(zhí)行過程中的性能分析統(tǒng)計數(shù)據(jù)。如果未提供文件名，則此函數(shù)會自動創(chuàng)建一個 Stats 實(shí)例并打印一個簡單的性能分析報告。如果指定了 sort 值，則它會被傳遞給這個 Stats 實(shí)例以控制結(jié)果的排序方式。

profile.runctx(command, globals, locals, filename=None, sort=- 1)

此函數(shù)類似于 run()，帶有為 command 字符串提供全局和局部字典的附加參數(shù)。這個例程會執(zhí)行:

 
 
 
 
  
  
  
  exec(command, globals, locals)

并像在上述的 run() 函數(shù)中一樣收集性能分析數(shù)據(jù)。

class profile.Profile(timer=None, timeunit=0.0, subcalls=True, builtins=True)

這個類通常只在需要比 cProfile.run() 函數(shù)所能提供的更精確的性能分析控制時被使用。

可以通過 timer 參數(shù)提供一個自定義計時器來測量代碼運(yùn)行花費(fèi)了多長時間。它必須是一個返回代表當(dāng)前時間的單個數(shù)字的函數(shù)。如果該數(shù)字為整數(shù)，則 timeunit 指定一個表示每個時間單位持續(xù)時間的乘數(shù)。例如，如果定時器返回以千秒為計量單位的時間值，則時間單位將為 .001。

直接使用 Profile 類將允許格式化性能分析結(jié)果而無需將性能分析數(shù)據(jù)寫入到文件:

 
 
 
 
  
  
  
  import cProfile, pstats, io
  
  
  
  from pstats import SortKey
  
  
  
  pr = cProfile.Profile()
  
  
  
  pr.enable()
  
  
  
  # ... do something ...
  
  
  
  pr.disable()
  
  
  
  s = io.StringIO()
  
  
  
  sortby = SortKey.CUMULATIVE
  
  
  
  ps = pstats.Stats(pr, stream=s).sort_stats(sortby)
  
  
  
  ps.print_stats()
  
  
  
  print(s.getvalue())

Profile 類也可作為上下文管理器使用 (僅在 cProfile 模塊中支持。參見上下文管理器類型):

 
 
 
 
  
  
  
  import cProfile
  
  
  
  
  
  
  
  with cProfile.Profile() as pr:
  
  
  
   # ... do something ...
  
  
  
  
  
  
  
  pr.print_stats()

在 3.8 版更改: 添加了上下文管理器支持。

enable()
開始收集分析數(shù)據(jù)。僅在 cProfile 可用。
disable()
停止收集分析數(shù)據(jù)。僅在 cProfile 可用。
create_stats()
停止收集分析數(shù)據(jù)，并在內(nèi)部將結(jié)果記錄為當(dāng)前 profile。
print_stats(sort=- 1)
根據(jù)當(dāng)前性能分析數(shù)據(jù)創(chuàng)建一個 Stats 對象并將結(jié)果打印到 stdout。
dump_stats(filename)
將當(dāng)前profile 的結(jié)果寫入 filename 。
run(cmd)
通過 exec() 對該命令進(jìn)行性能分析。
runctx(cmd, globals, locals)
通過 exec() 并附帶指定的全局和局部環(huán)境對該命令進(jìn)行性能分析。
runcall(func, /, \args, **kwargs*)
對 func(*args, **kwargs) 進(jìn)行性能分析

請注意性能分析只有在被調(diào)用的命令/函數(shù)確實(shí)能返回時才可用。如果解釋器被終結(jié)（例如在被調(diào)用的命令/函數(shù)執(zhí)行期間通過 sys.exit() 調(diào)用）則將不會打印性能分析結(jié)果。

Stats 類

性能數(shù)據(jù)的分析是使用 Stats 類來完成的。

class pstats.Stats(\filenames or profile, stream=sys.stdout*)

這個類構(gòu)造器會基于 filename (或文件名列表) 或者 Profile 實(shí)例創(chuàng)建一個“統(tǒng)計對象”。輸出將被打印到由 stream 所指定的流。

上述構(gòu)造器所選擇的文件必須由相應(yīng)版本的 profile 或 cProfile 來創(chuàng)建。具體來說，不會保證文件與此性能分析器的未來版本兼容，也不會保證與其他性能分析器，或運(yùn)行于不同操作系統(tǒng)的同一性能分析器所產(chǎn)生的文件兼容。如果提供了幾個文件，則相同函數(shù)的所有統(tǒng)計數(shù)據(jù)將被聚合在一起，這樣就可以在單個報告中同時考慮幾個進(jìn)程的總體情況。如果額外的文件需要與現(xiàn)有 Stats 對象中的數(shù)據(jù)相結(jié)合，則可以使用 add() 方法。

作為從一個文件讀取性能分析數(shù)據(jù)的替代，可以使用 cProfile.Profile 或 profile.Profile 對象作為性能分析數(shù)據(jù)源。

Stats 對象有以下方法:

strip_dirs()
這個用于 Stats 類的方法會從文件名中去除所有前導(dǎo)路徑信息。它對于減少打印輸出的大小以適應(yīng)（接近） 80 列限制。這個方法會修改對象，被去除的信息將會丟失。在執(zhí)行去除操作后，可以認(rèn)為對象擁有的條目將使用“隨機(jī)”順序，就像它剛在對象初始化并加載之后一樣。如果 strip_dirs() 導(dǎo)致兩個函數(shù)名變得無法區(qū)分（它們位于相同文件名的相同行，并且具有相同的函數(shù)名），那么這兩個條目的統(tǒng)計數(shù)據(jù)將被累積到單個條目中。
add(\filenames*)
Stats 類的這個方法會將額外的性能分析信息累積到當(dāng)前的性能分析對象中。它的參數(shù)應(yīng)當(dāng)指向由相應(yīng)版本的 profile.run() 或 cProfile.run() 所創(chuàng)建的文件名。相同名稱（包括 file, line, name）函數(shù)的統(tǒng)計信息會自動累積到單個函數(shù)的統(tǒng)計信息。
dump_stats(filename)
Save the data loaded into the Stats object to a file named filename. The file is created if it does not exist, and is overwritten if it already exists. This is equivalent to the method of the same name on the profile.Profile and cProfile.Profile classes.

sort_stats(\keys*)

This method modifies the Stats object by sorting it according to the supplied criteria. The argument can be either a string or a SortKey enum identifying the basis of a sort (example: 'time', 'name', SortKey.TIME or SortKey.NAME). The SortKey enums argument have advantage over the string argument in that it is more robust and less error prone.

When more than one key is provided, then additional keys are used as secondary criteria when there is equality in all keys selected before them. For example, sort_stats(SortKey.NAME, SortKey.FILE) will sort all the entries according to their function name, and resolve all ties (identical function names) by sorting by file name.

For the string argument, abbreviations can be used for any key names, as long as the abbreviation is unambiguous.

The following are the valid string and SortKey:

有效字符串參數(shù)	有效枚舉參數(shù)	含意
`‘calls’`	SortKey.CALLS	調(diào)用次數(shù)
`‘cumulative’`	SortKey.CUMULATIVE	累積時間
`‘cumtime’`	N/A	累積時間
`‘file’`	N/A	文件名
`‘filename’`	SortKey.FILENAME	文件名
`‘module’`	N/A	文件名
`‘ncalls’`	N/A	調(diào)用次數(shù)
`‘pcalls’`	SortKey.PCALLS	原始調(diào)用計數(shù)
`‘line’`	SortKey.LINE	行號
`‘name’`	SortKey.NAME	函數(shù)名稱
`‘nfl’`	SortKey.NFL	名稱/文件/行
`‘stdname’`	SortKey.STDNAME	標(biāo)準(zhǔn)名稱
`‘time’`	SortKey.TIME	內(nèi)部時間
`‘tottime’`	N/A	內(nèi)部時間

Note that all sorts on statistics are in descending order (placing most time consuming items first), where as name, file, and line number searches are in ascending order (alphabetical). The subtle distinction between SortKey.NFL and SortKey.STDNAME is that the standard name is a sort of the name as printed, which means that the embedded line numbers get compared in an odd way. For example, lines 3, 20, and 40 would (if the file names were the same) appear in the string order 20, 3 and 40. In contrast, SortKey.NFL does a numeric compare of the line numbers. In fact, sort_stats(SortKey.NFL) is the same as sort_stats(SortKey.NAME, SortKey.FILENAME, SortKey.LINE).

For backward-compatibility reasons, the numeric arguments -1, 0, 1, and 2 are permitted. They are interpreted as 'stdname', 'calls', 'time', and 'cumulative' respectively. If this old style format (numeric) is used, only one sort key (the numeric key) will be used, and additional arguments will be silently ignored.

3.7 新版功能: Added the SortKey enum.

reverse_order()
This method for the Stats class reverses the ordering of the basic list within the object. Note that by default ascending vs descending order is properly selected based on the sort key of choice.
print_stats(\restrictions*)
This method for the Stats class prints out a report as described in the profile.run() definition.
The order of the printing is based on the last sort_stats() operation done on the object (subject to caveats in add() and strip_dirs()).
The arguments provided (if any) can be used to limit the list down to the significant entries. Initially, the list is taken to be the complete set of profiled functions. Each restriction is either an integer (to select a count of lines), or a decimal fraction between 0.0 and 1.0 inclusive (to select a percentage of lines), or a string that will interpreted as a regular expression (to pattern match the standard name that is printed). If several restrictions are provided, then they are applied sequentially. For example:
```
   
   
   
   
    
    
    
    print_stats(.1, 'foo:')
   
   
   
   
```
would first limit the printing to first 10% of list, and then only print functions that were part of filename .*foo:. In contrast, the command:
```
   
   
   
   
    
    
    
    print_stats('foo:', .1)
   
   
   
   
```
would limit the list to all functions having file names .*foo:, and then proceed to only print the first 10% of them.
print_callers(\restrictions*)
This method for the Stats class prints a list of all functions that called each function in the profiled database. The ordering is identical to that provided by print_stats(), and the definition of the restricting argument is also identical. Each caller is reported on its own line. The format differs slightly depending on the profiler that produced the stats:
- With profile, a number is shown in parentheses after each caller to show how many times this specific call was made. For convenience, a second non-parenthesized number repeats the cumulative time spent in the function at the right.
- With cProfile, each caller is preceded by three numbers: the number of times this specific call was made, and the total and cumulative times spent in the current function while it was invoked by this specific caller.
print_callees(\restrictions*)
This method for the Stats class prints a list of all function that were called by the indicated function. Aside from this reversal of direction of calls (re: called vs was called by), the arguments and ordering are identical to the print_callers() method.
get_stats_profile()
This method returns an instance of StatsProfile, which contains a mapping of function names to instances of FunctionProfile. Each FunctionProfile instance holds information related to the function’s profile such as how long the function took to run, how many times it was called, etc…
3.9 新版功能: Added the following dataclasses: StatsProfile, FunctionProfile. Added the following function: get_stats_profile.

什么是確定性性能分析？

確定性性能分析 旨在反映這樣一個事實(shí)：即所有 函數(shù)調(diào)用 、 函數(shù)返回 和異常事件都被監(jiān)控，并且對這些事件之間的間隔（在此期間用戶的代碼正在執(zhí)行）進(jìn)行精確計時。相反，統(tǒng)計分析（不是由該模塊完成）隨機(jī)采樣有效指令指針，并推斷時間花費(fèi)在哪里。后一種技術(shù)傳統(tǒng)上涉及較少的開銷（因?yàn)榇a不需要檢測），但只提供了時間花在哪里的相對指示。

在Python中，由于在執(zhí)行過程中總有一個活動的解釋器，因此執(zhí)行確定性評測不需要插入指令的代碼。Python 自動為每個事件提供一個:dfn:鉤子（可選回調(diào)）。此外，Python 的解釋特性往往會給執(zhí)行增加太多開銷，以至于在典型的應(yīng)用程序中，確定性分析往往只會增加很小的處理開銷。結(jié)果是，確定性分析并沒有那么代價高昂，但是它提供了有關(guān) Python 程序執(zhí)行的大量運(yùn)行時統(tǒng)計信息。

調(diào)用計數(shù)統(tǒng)計信息可用于識別代碼中的錯誤（意外計數(shù)），并識別可能的內(nèi)聯(lián)擴(kuò)展點(diǎn)（高頻調(diào)用）。內(nèi)部時間統(tǒng)計可用于識別應(yīng)仔細(xì)優(yōu)化的 “熱循環(huán)” 。累積時間統(tǒng)計可用于識別算法選擇上的高級別錯誤。請注意，該分析器中對累積時間的異常處理，允許直接比較算法的遞歸實(shí)現(xiàn)與迭代實(shí)現(xiàn)的統(tǒng)計信息。

局限性

一個限制是關(guān)于時間信息的準(zhǔn)確性。確定性性能分析存在一個涉及精度的基本問題。最明顯的限制是，底層的 “時鐘” 周期大約為0.001秒（通常）。因此，沒有什么測量會比底層時鐘更精確。如果進(jìn)行了足夠的測量，那么 “誤差” 將趨于平均。不幸的是，刪除第一個錯誤會導(dǎo)致第二個錯誤來源。

第二個問題是，從調(diào)度事件到分析器調(diào)用獲取時間函數(shù)實(shí)際獲取時鐘狀態(tài)，這需要 “一段時間” 。類似地，從獲取時鐘值（然后保存）開始，直到再次執(zhí)行用戶代碼為止，退出分析器事件句柄時也存在一定的延遲。因此，多次調(diào)用單個函數(shù)或調(diào)用多個函數(shù)通常會累積此錯誤。盡管這種方式的誤差通常小于時鐘的精度（小于一個時鐘周期），但它可以累積并變得非常可觀。

與開銷較低的 cProfile 相比， profile 的問題更為嚴(yán)重。出于這個原因， profile 提供了一種針對指定平臺的自我校準(zhǔn)方法，以便可以在很大程度上（平均地）消除此誤差。校準(zhǔn)后，結(jié)果將更準(zhǔn)確（在最小二乘意義上），但它有時會產(chǎn)生負(fù)數(shù)（當(dāng)調(diào)用計數(shù)異常低，且概率之神對您不利時：-）。因此不要對產(chǎn)生的負(fù)數(shù)感到驚慌。它們應(yīng)該只在你手工校準(zhǔn)分析器的情況下才會出現(xiàn)，實(shí)際上結(jié)果比沒有校準(zhǔn)的情況要好。

準(zhǔn)確估量

profile 模塊的 profiler 會從每個事件處理時間中減去一個常量，以補(bǔ)償調(diào)用 time 函數(shù)和存儲結(jié)果的開銷。默認(rèn)情況下，常數(shù)為0。對于特定的平臺，可用以下程序獲得更好修正常數(shù)（局限性）。

 
 
 
 
  
  
  
  import profile
  
  
  
  pr = profile.Profile()
  
  
  
  for i in range(5):
  
  
  
   print(pr.calibrate(10000))

The method executes the number of Python calls given by the argument, directly and again under the profiler, measuring the time for both. It then computes the hidden overhead per profiler event, and returns that as a float. For example, on a 1.8Ghz Intel Core i5 running macOS, and using Python’s time.process_time() as the timer, the magical number is about 4.04e-6.

The object of this exercise is to get a fairly consistent result. If your computer is very fast, or your timer function has poor resolution, you might have to pass 100000, or even 1000000, to get consistent results.

當(dāng)你有一個一致的答案時，有三種方法可以使用：

 
 
 
 
  
  
  
  import profile
  
  
  
  
  
  
  
  # 1. Apply computed bias to all Profile instances created hereafter.
  
  
  
  profile.Profile.bias = your_computed_bias
  
  
  
  
  
  
  
  # 2. Apply computed bias to a specific Profile instance.
  
  
  
  pr = profile.Profile()
  
  
  
  pr.bias = your_computed_bias
  
  
  
  
  
  
  
  # 3. Specify computed bias in instance constructor.
  
  
  
  pr = profile.Profile(bias=your_computed_bias)

If you have a choice, you are better off choosing a smaller constant, and then your results will “l(fā)ess often” show up as negative in profile statistics.

使用自定義計時器

If you want to change how current time is determined (for example, to force use of wall-clock time or elapsed process time), pass the timing function you want to the Profile class constructor:

 
 
 
 
  
  
  
  pr = profile.Profile(your_time_func)

The resulting profiler will then call your_time_func. Depending on whether you are using profile.Profile or cProfile.Profile, your_time_func‘s return value will be interpreted differently:

profile.Profile

your_time_func should return a single number, or a list of numbers whose sum is the current time (like what os.times() returns). If the function returns a single time number, or the list of returned numbers has length 2, then you will get an especially fast version of the dispatch routine.

Be warned that you should calibrate the profiler class for the timer function that you choose (see 準(zhǔn)確估量). For most machines, a timer that returns a lone integer value will provide the best results in terms of low overhead during profiling. (os.times() is pretty bad, as it returns a tuple of floating point values). If you want to substitute a better timer in the cleanest fashion, derive a class and hardwire a replacement dispatch method that best handles your timer call, along with the appropriate calibration constant.

cProfile.Profile

your_time_func should return a single number. If it returns integers, you can also invoke the class constructor with a second argument specifying the real duration of one unit of time. For example, if your_integer_time_func returns times measured in thousands of seconds, you would construct the Profile instance as follows:

 
 
 
 
  
  
  
  pr = cProfile.Profile(your_integer_time_func, 0.001)

As the cProfile.Profile class cannot be calibrated, custom timer functions should be used with care and should be as fast as possible. For the best results with a custom timer, it might be necessary to hard-code it in the C source of the internal _lsprof module.

Python 3.3 adds several new functions in time that can be used to make precise measurements of process or wall-clock time. For example, see time.perf_counter().

本文題目：創(chuàng)新互聯(lián)Python教程：Python性能分析器
鏈接分享：http://m.fisionsoft.com.cn/article/cohpjoo.html