Python - 基准测试和分析

在本章中，我们将了解基准测试和分析如何帮助解决性能问题。

假设我们编写了一段代码，它也给出了所需的结果，但是如果我们想更快地运行这段代码，因为需求已经改变，该怎么办。在这种情况下，我们需要找出代码的哪些部分会减慢整个程序的速度。在这种情况下，基准测试和分析可能很有用。

什么是基准测试？

基准测试旨在通过与标准进行比较来评估某物。然而，这里出现的问题是，基准测试是什么，为什么在软件编程的情况下我们需要它。对代码进行基准测试意味着代码的执行速度以及瓶颈所在。基准测试的一个主要原因是它优化了代码。

基准测试如何运作？

如果我们谈论基准测试的工作原理，我们需要首先将整个程序作为一个当前状态进行基准测试，然后我们可以结合微基准测试，然后将程序分解为更小的程序。为了找到我们程序中的瓶颈并对其进行优化。换句话说，我们可以将其理解为将大而难的问题分解成一系列更小、更容易的问题来优化它们。

用于基准测试的 Python 模块

在 Python 中，我们有一个默认的基准测试模块，称为 timeit。在 timeit 模块的帮助下，我们可以测量主程序中少量 Python 代码的性能。

在下面的 Python 脚本中，我们将导入 timeit 模块，该模块进一步测量执行两个函数（函数 A 和函数 B）所花费的时间

import timeit
import time
def functionA():
	 	print("Function A starts the execution:")
	 	print("Function A completes the execution:")
def functionB():
	 	print("Function B starts the execution")
	 	print("Function B completes the execution")
start_time = timeit.default_timer()
functionA()
print(timeit.default_timer() - start_time)
start_time = timeit.default_timer()
functionB()
print(timeit.default_timer() - start_time)

运行上述脚本后，我们将得到两个函数的执行时间，如下所示。

输出

使用 decorator 函数编写我们自己的计时器

在 Python 中，我们可以创建自己的计时器，它的作用就像 timeit 模块一样。这可以在 decorator 函数的帮助下完成。以下是自定义计时器的示例 -

import random
import time

def timer_func(func):

	 	def function_timer(*args, **kwargs):
	 	start = time.time()
	 	value = func(*args, **kwargs)
	 	end = time.time()
	 	runtime = end - start
	 	msg = "{func} took {time} seconds to complete its execution."
	 	 	 print(msg.format(func = func.__name__,time = runtime))
	 	return value
	 	return function_timer

@timer_func
def Myfunction():
	 	for x in range(5):
	 	sleep_time = random.choice(range(1,3))
	 	time.sleep(sleep_time)

if __name__ == '__main__':
	 	Myfunction()

上面的 python 脚本有助于导入随机时间模块。我们已经创建了 timer_func（） 装饰器函数。它里面有 function_timer（） 函数。现在，嵌套函数将在调用传入的函数之前抓取时间。然后，它等待函数返回并获取结束时间。这样，我们终于可以让 python 脚本打印出执行时间了。该脚本将生成输出，如下所示。

输出

什么是性能剖析？

有时程序员想要测量一些属性，例如内存的使用、时间复杂度或有关程序的特定指令的使用情况，以衡量该程序的真实能力。这种对程序的测量称为 profiling。Profiling 使用动态程序分析来执行此类测量。

在后续部分中，我们将了解用于性能分析的不同 Python 模块。

cProfile – 内置模块

cProfile 是一个用于分析的 Python 内置模块。该模块是一个 C 扩展，具有合理的开销，使其适合分析长时间运行的程序。运行后，它会记录所有函数和执行时间。它非常强大，但有时有点难以解释和采取行动。在以下示例中，我们在下面的代码上使用 cProfile -

例

def increment_global():

	 	global x
	 	x += 1

def taskofThread(lock):

	 	for _ in range(50000):
	 	lock.acquire()
	 	increment_global()
	 	lock.release()

def main():
	 	global x
	 	x = 0

	 	lock = threading.Lock()

	 	t1 = threading.Thread(target=taskofThread, args=(lock,))
	 	t2 = threading.Thread(target= taskofThread, args=(lock,))

	 	t1.start()
	 	t2.start()

	 	t1.join()
	 	t2.join()

if __name__ == "__main__":
	 	for i in range(5):
	 	 	 main()
	 	print("x = {1} after Iteration {0}".format(i,x))

上面的代码保存在 thread_increment.py 文件中。现在，在命令行上使用 cProfile 执行代码，如下所示 -

(base) D:\ProgramData>python -m cProfile thread_increment.py
x = 100000 after Iteration 0
x = 100000 after Iteration 1
x = 100000 after Iteration 2
x = 100000 after Iteration 3
x = 100000 after Iteration 4
	 	 	 3577 function calls (3522 primitive calls) in 1.688 seconds

	 	Ordered by: standard name

	 	ncalls tottime percall cumtime percall filename:lineno(function)

	 	5 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:103(release)
	 	5 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:143(__init__)
	 	5 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:147(__enter__)
	 	… … … …

从上面的输出中可以清楚地看出 cProfile 打印出所有调用的 3577 个函数，以及每个函数所花费的时间和调用它们的次数。以下是我们在 output 中获得的列 -

• ncalls − 它是拨打的电话数。
• tottime − 它是在给定函数中花费的总时间。
• percall − 它指的是 tottime 除以 ncalls 的商。
• cumtime − 它是在此子函数和所有子函数中花费的累积时间。它甚至对于递归函数也是准确的。
• percall − 它是 cumittime 除以原始调用的商。
• filename：lineno（function） − 它基本上提供了每个函数的相应数据。