我的代码的哪些部分运行时间最长、内存最多？我怎样才能找到需要改进的地方？”
在开发过程中，我很确定我们大多数人都会想知道这一点，在本文中总结了一些方法来监控 Python 代码的时间和内存使用情况。
本文将介绍 4 种方法，前 3 种方法提供时间信息，第 4 个方法可以获得内存使用情况。
time 模块
%%time 魔法命令
line_profiler
memory_profiler
更多内容可以学习《测试工程师 Python 工具开发实战》书籍、《大话性能测试 JMeter 实战》书籍
这是计算代码运行所需时间的最简单、最直接 (但需要手动开发) 的方法。他的逻辑也很简单:记录代码运行之前和之后的时间，计算时间之间的差异。这可以实现如下:
import time
start_time = time.time()
result = 5+2
end_time = time.time()
print('Time taken = {} sec'.format(end_time - start_time))
下面的例子显示了 for 循环和列表推导式在时间上的差异:
import time
# for loop vs. list comp
list_comp_start_time = time.time()
result = [i for i in range(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()
for i in range(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))
我们都知道 for 会慢一些
Time taken for list comp = 0.05843973159790039 sec
Time taken for for-loop = 0.06774497032165527 sec
Difference = 15.922795107582594 %
魔法命令是 IPython 内核中内置的方便命令，可以方便地执行特定的任务。一般情况下都实在 jupyter notebook 种使用。
在单元格的开头添加%%time ，单元格执行完成后，会输出单元格执行所花费的时间。
%%time
def convert_cms(cm, unit='m'):
'''
Function to convert cm to m or feet
'''
if unit == 'm':
return cm/100
return cm/30.48
convert_cms(1000)
结果如下：
CPU times: user 24 µs, sys: 1 µs, total: 25 µs
Wall time: 28.1 µs
Out[8]: 10.0
这里的 CPU times 是 CPU 处理代码所花费的实际时间，Wall time 是事件经过的真实时间，在方法入口和方法出口之间的时间。
前两个方法只提供执行该方法所需的总时间。通过时间分析器我们可以获得函数中每一个代码的运行时间。
这里我们需要使用 line_profiler 包。使用 pip install line_profiler。
import line_profiler
def convert_cms(cm, unit='m'):
'''
Function to convert cm to m or feet
'''
if unit == 'm':
return cm/100
return cm/30.48
# Load the profiler
%load_ext line_profiler
# Use the profiler's magic to call the method
%lprun -f convert_cms convert_cms(1000, 'f')
输出结果如下：
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 提供了每行代码所花费时间的详细信息。
Line Contents :运行的代码
Hits:行被执行的次数
Time:所花费的总时间 (即命中次数 x 每次命中次数)
Per Hit:一次执行花费的时间，也就是说 Time = Hits X Per Hit
% Time:占总时间的比例
可以看到，每一行代码都详细的分析了时间，这对于我们分析时间相当的有帮助。
与 line_profiler 类似，memory_profiler 提供代码的逐行内存使用情况。
要安装它需要使用 pip install memory_profiler。我们这里监视 convert_cms_f 函数的内存使用情况
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 函数在单独的文件中定义，然后导入。结果如下:
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/30.48memory_profiler 提供对每行代码内存使用情况的详细了解。
这里的 1 MiB (MebiByte) 几乎等于 1MB。1 MiB = 1.048576 1MB
但是 memory_profiler 也有一些缺点：它通过查询操作系统内存，所以结果可能与 python 解释器略有不同，如果在会话中多次运行 %mprun，可能会注意到增量列报告所有代码行为 0.0 MiB。这是因为魔法命令的限制导致的。
虽然 memory_profiler 有一些问题，但是它就使我们能够清楚地了解内存使用情况，对于开发来说是一个非常好用的工具
虽然 Python 并不是一个以执行效率见长的语言，但是在某些特殊情况下这些命令对我们还是非常有帮助的。