摘要：上面手工插斷點的方法十分原始，用起來不是那么方便，即使用了上下文管理器實現起來還是略顯笨重。它既提供了命令行接口，又能用于代碼文件之中。

雖然運行速度慢是 Python 與生俱來的特點，大多數時候我們用 Python 就意味著放棄對性能的追求。但是，就算是用純 Python 完成同一個任務，老手寫出來的代碼可能會比菜鳥寫的代碼塊幾倍，甚至是幾十倍（這里不考慮算法的因素，只考慮語言方面的因素）。很多時候，我們將自己的代碼運行緩慢地原因歸結于python本來就很慢，從而心安理得地放棄深入探究。

但是，事實真的是這樣嗎？面對python代碼，你有分析下面這些問題嗎：

程序運行的速度如何？

程序運行時間的瓶頸在哪里？

能否稍加改進以提高運行速度呢？

為了更好了解python程序，我們需要一套工具，能夠記錄代碼運行時間，生成一個性能分析報告，方便徹底了解代碼，從而進行針對性的優化（本篇側重于代碼性能分析，不關注如何優化）。

假設有一個字符串，想將里面的空格替換為字符‘-’，用python實現起來很簡單，下面是四種方案：

def slowest_replace():
    replace_list = []
    for i, char in enumerate(orignal_str):
        c = char if char != " " else "-"
        replace_list.append(c)
    return "".join(replace_list)

def slow_replace():
    replace_str = ""
    for i, char in enumerate(orignal_str):
        c = char if char != " " else "-"
        replace_str += c
    return replace_str

def fast_replace():
    return "-".join(orignal_str.split())

def fastest_replace():
    return orignal_str.replace(" ", "-")

這四種方案的效率如何呢，哪種方案比較慢呢？這是一個問題！

最直接的想法是在開始 replace 函數之前記錄時間，程序結束后再記錄時間，計算時間差即為程序運行時間。python提供了模塊 time，其中 time.clock() 在Unix/Linux下返回的是CPU時間(浮點數表示的秒數)，Win下返回的是以秒為單位的真實時間(Wall-clock time)。

由于替換函數耗時可能非常短，所以這里考慮分別執行 100000次，然后查看不同函數的效率。我們的性能分析輔助函數如下：

def _time_analyze_(func):
    from time import clock
    start = clock()
    for i in range(exec_times):
        func()
    finish = clock()
    print "{:<20}{:10.6} s".format(func.__name__ + ":", finish - start)

這樣就可以了解上面程序的運行時間情況：

第一種方案耗時是第四種的 45 倍多，大跌眼鏡了吧！同樣是 python代碼，完成一樣的功能，耗時可以差這么多。

為了避免每次在程序開始、結束時插入時間斷點，然后計算耗時，可以考慮實現一個上下文管理器，具體代碼如下：

class Timer(object):
    def __init__(self, verbose=False):
        self.verbose = verbose

    def __enter__(self):
        self.start = clock()
        return self

    def __exit__(self, *args):
        self.end = clock()
        self.secs = self.end - self.start
        self.msecs = self.secs * 1000  # millisecs
        if self.verbose:
            print "elapsed time: %f ms" % self.msecs

使用時只需要將要測量時間的代碼段放進 with 語句即可，具體的使用例子放在 gist 上。

上面手工插斷點的方法十分原始，用起來不是那么方便，即使用了上下文管理器實現起來還是略顯笨重。還好 Python 提供了timeit模塊，用來測試代碼塊的運行時間。它既提供了命令行接口，又能用于代碼文件之中。

命令行接口可以像下面這樣使用：

$ python -m timeit -n 1000000 ""I like to reading.".replace(" ", "-")"
1000000 loops, best of 3: 0.253 usec per loop
$ python -m timeit -s "orignal_str = "I like to reading."" ""-".join(orignal_str.split())"
1000000 loops, best of 3: 0.53 usec per loop

具體參數使用可以用命令 python -m timeit -h 查看幫助。使用較多的是下面的選項：

-s S, --setup=S: 用來初始化statement中的變量，只運行一次；

-n N, --number=N: 執行statement的次數，默認會選擇一個合適的數字；

-r N, --repeat=N: 重復測試的次數，默認為3；

可以用下面的程序測試四種 replace函數的運行情況（完整的測試程序可以在 gist 上找到）：

def _timeit_analyze_(func):
    from timeit import Timer
    t1 = Timer("%s()" % func.__name__, "from __main__ import %s" % func.__name__)
    print "{:<20}{:10.6} s".format(func.__name__ + ":", t1.timeit(exec_times))

運行結果如下：

Python的timeit提供了 timeit.Timer() 類，類構造方法如下：

Timer(stmt="pass", setup="pass", timer=)

其中：

stmt: 要計時的語句或者函數；

setup: 為stmt語句構建環境的導入語句；

timer: 基于平臺的時間函數(timer function)；

Timer()類有三個方法：

timeit(number=1000000):?返回stmt執行number次的秒數(float)；

repeat(repeat=3, number=1000000): repeat為重復整個測試的次數，number為執行stmt的次數，返回以秒記錄的每個測試循環的耗時列表；

print_exc(file=None): 打印stmt的跟蹤信息。

此外，timeit 還提供了另外三個函數方便使用，參數和 Timer 差不多。

timeit.timeit(stmt="pass", setup="pass", timer=, number=1000000)
timeit.repeat(stmt="pass", setup="pass", timer=, repeat=3, number=1000000)
timeit.default_timer()

以上方法適用于比較簡單的場合，更復雜的情況下，可以用標準庫里面的profile或者cProfile，它可以統計程序里每一個函數的運行時間，并且提供了可視化的報表。大多情況下，建議使用cProfile，它是profile的C實現，適用于運行時間長的程序。不過有的系統可能不支持cProfile，此時只好用profile。

可以用下面程序測試 timeit_profile() 函數運行時間分配情況。

import cProfile
from time_profile import *

cProfile.run("timeit_profile()")

這樣的輸出可能會很長，很多時候我們感興趣的可能只有耗時最多的幾個函數，這個時候先將cProfile 的輸出保存到診斷文件中，然后用 pstats 定制更加有好的輸出（完整代碼在 gist 上）。

cProfile.run("timeit_profile()", "timeit")
p = pstats.Stats("timeit")
p.sort_stats("time")
p.print_stats(6)

輸出結果如下：

如果覺得 pstas 使用不方便，還可以使用一些圖形化工具，比如 gprof2dot 來可視化分析 cProfile 的診斷結果。

vprof 也是一個不錯的可視化工具，可以用來分析 Python 程序運行時間情況。如下圖：

上面的測試最多統計到函數的執行時間，很多時候我們想知道函數里面每一行代碼的執行效率，這時候就可以用到 line_profiler 了。

line_profiler 的使用特別簡單，在需要監控的函數前面加上 @profile 裝飾器。然后用它提供的 kernprof -l -v [source_code.py] 行進行診斷。下面是一個簡單的測試程序 line_profile.py：

from time_profile import slow_replace, slowest_replace

for i in xrange(10000):
    slow_replace()
    slowest_replace()

運行后結果如下：

輸出每列的含義如下：

Line #: 行號

Hits: 當前行執行的次數.

Time: 當前行執行耗費的時間，單位為 "Timer unit:"

Per Hit: 平均執行一次耗費的時間.

% Time: 當前行執行時間占總時間的比例.

Line Contents: 當前行的代碼

line_profiler 執行時間的估計不是特別精確，不過可以用來分析當前函數中哪些行是瓶頸。

博客地址

A guide to analyzing Python performance
timeit – Time the execution of small bits of Python code
Profiling Python using cProfile: a concrete case
profile, cProfile, and pstats – Performance analysis of Python programs.
How can you profile a Python script?
檢測Python程序執行效率及內存和CPU使用的7種方法
代碼優化概要
Python性能優化的20條建議