python 性能分析入門指南
一點號數據玩家昨天
限時干貨下載：添加微信公眾號“數據玩家「fbigdata」”
回復【7】免費獲取【完整數據分析資料！（包括SPSS、SAS、SQL、EXCEL、Project）！】
英文：yexiaobai
譯文：yexiaobai
雖然並非你編寫的每個 Python 程序都要求一個嚴格的性能分析，但是讓人放心的是，當問題發生的時候，Python 生態圈有各種各樣的工具可以處理這類問題。
用 time 粗粒度的計算時間
$time pythonyourprogram.py
real 0m1.028s
user 0m0.001s
sys 0m0.003s
三個輸出測量值之間的詳細意義在這里 stackoverflow article，但簡介在這：
你會有你的應用程序用完了多少 CPU 周期的即視感，不管系統上其他運行的程序添加的系統和用戶時間。
如果 sys 和 user 時間之和小於 real 時間，然后你可以猜測到大多數程序的性能問題最有可能與 IO wait 相關。
我們下一步的技術包括直接嵌入代碼來獲取細粒度的計時信息。下面是我進行時間測量的代碼的一個小片段
import time
classTimer(object):
def __init__(selfverbose=False):
self.verbose=verbose
def __enter__(self):
self.start=time.time
returnself
def __exit__(self*args):
self.end=time.time
self.secs=self.end-self.start
self.msecs=self.secs *1000 # millisecs
ifself.verbose:
為了使用它，使用 Python 的 with 關鍵字和 Timer 上下文管理器來包裝你想計算的代碼。當您的代碼塊開始執行，它將照顧啟動計時器,當你的代碼塊結束的時候，它將停止計時器。
from timer import Timer
from redis import Redis
rdb=Redis
with Timerast:
rdb.lpush("foo""bar")
print"=> elasped lpush: %s s"%t.secs
rdb.lpop("foo")
rdb=Redis
為了看看我的程序的性能隨着時間的演化的趨勢，我常常記錄這些定時器的輸出到一個文件中。
羅伯特克恩有一個不錯的項目稱為 line_profiler , 我經常使用它來分析我的腳本有多快，以及每行代碼執行的頻率：
安裝完成后，你將獲得一個新模塊稱為 line_profiler 和 kernprof.py 可執行腳本。
為了使用這個工具，首先在你想測量的函數上設置 @profile 修飾符。不用擔心，為了這個修飾符，你不需要引入任何東西。kernprof.py 腳本會在運行時自動注入你的腳本。
defprimes(n):
ifn==2:
return[2]
elifn<2:
return
s=range(3n+12)
mroot=n**0.5
half=(n+1)/2-1
i=0
m=3
whilem<=mroot:
ifs[i]:
j=(m*m-3)/2
s[j]=0
whilej<half:
s[j]=0
j+=m
i=i+1
m=2*i+3
return[2]+[xforxinsifx]
一旦你得到了你的設置了修飾符 @profile 的代碼，使用 kernprof.py 運行這個腳本。
-l 選項告訴 kernprof 把修飾符 @profile 注入你的腳本，-v 選項告訴 kernprof 一旦你的腳本完成后，展示計時信息。這是一個以上腳本的類似輸出：
Wrote profileresults toprimes.py.lprof
Timerunit:1e-06s
File:primes.py
Function:primes atline2
Total time:0.00019s
Line# Hits Time Per Hit % Time Line Contents
2 @profile
3 defprimes(n):
4 1 2 2.0 1.1 ifn==2:
5return[2]
6 1 1 1.0 0.5 elifn<2:
7return
8 1 4 4.0 2.1 s=range(3n+12)
9 1 10 10.0 5.3 mroot=n**0.5
10 1 2 2.0 1.1 half=(n+1)/2-1
11 1 1 1.0 0.5 i=0
12 1 1 1.0 0.5 m=3
13 5 7 1.4 3.7 whilem<=mroot:
14 4 4 1.0 2.1 ifs[i]:
15 3 4 1.3 2.1 j=(m*m-3)/2
16 3 4 1.3 2.1 s[j]=0
17 31 31 1.0 16.3 whilej<half:
18 28 28 1.0 14.7 s[j]=0
19 28 29 1.0 15.3 j+=m
20 4 4 1.0 2.1 i=i+1
21 4 4 1.0 2.1 m=2*i+3
22 50 54 1.1 28.4 return[2]+[xforx 現在我們掌握了很好我們代碼的計時信息，讓我們繼續找出我們的程序使用了多少內存。我們真是非常幸運， Fabian Pedregosa 仿照 Robert Kern 的 line_profiler 實現了一個很好的內存分析器 [memory profiler][5]。
在這里建議安裝 psutil 是因為該包能提升 memory_profiler 的性能。
想 line_profiler 一樣， memory_profiler 要求在你設置 @profile 來修飾你的函數：
@profile
def primes(n):
...
...
Filename:primes.py
Line# Mem usage Increment Line Contents
2 @profile
3 7.9219MB 0.0000MB defprimes(n):
4 7.9219MB 0.0000MB ifn==2:
5 return[2]
6 7.9219MB 0.0000MB elifn<2:
7 return
8 7.9219MB 0.0000MB s=range(3n+12)
9 7.9258MB 0.0039MB mroot=n**0.5
10 7.9258MB 0.0000MB half=(n+1)/2-1
11 7.9258MB 0.0000MB i=0
12 7.9258MB 0.0000MB m=3
13 7.9297MB 0.0039MB whilem<=mroot:
14 7.9297MB 0.0000MB ifs[i]:
15 7.9297MB 0.0000MB j=(m*m-3)/2
16 7.9258MB-0.0039MB s[j]=0
17 7.9297MB 0.0039MB whilej<half:
18 7.9297MB 0.0000MB s[j]=0
19 7.9297MB 0.0000MB j+=m
20 7.9297MB 0.0000MB i=i+1
21 7.9297MB 0.0000MB m=2*i+3
22 7.9297MB 0.0000MB return[2]+[xforxinsifx]
line_profiler 和 memory_profiler 一個鮮為人知的特性就是在 IPython 上都有快捷命令。你所能做的就是在 IPython 上鍵入以下命令：
%load_extmemory_profiler
這樣做了以后，你就可以使用魔法命令 %lprun 和 %mprun 了，它們表現的像它們命令行的副本，最主要的不同就是你不需要給你需要分析的函數設置 @profile 修飾符。直接在你的 IPython 會話上繼續分析吧。
這可以節省你大量的時間和精力,因為使用這些分析命令，你不需要修改你的源代碼。
cPython的解釋器使用引用計數來作為它跟蹤內存的主要方法。這意味着每個對象持有一個計數器，當增加某個對象的引用存儲的時候，計數器就會增加，當一個引用被刪除的時候，計數器就是減少。當計數器達到0， cPython 解釋器就知道該對象不再使用，因此解釋器將刪除這個對象，並且釋放該對象持有的內存。
內存泄漏往往發生在即使該對象不再使用的時候，你的程序還持有對該對象的引用。
最快速發現內存泄漏的方式就是使用一個由 Marius Gedminas 編寫的非常好的稱為 [objgraph][6] 的工具。
這個工具可以讓你看到在內存中對象的數量,也定位在代碼中所有不同的地方,對這些對象的引用。
MyBigFatObject 20000
tuple 169382881064151
function 4310
dict2790
method_descriptor 507
getset_descriptor 451
哪個對象被增加或是刪除了？
.
.
.
(pdb)objgraph.show_growth # this only shows objects that has been added or deleted since last show_growth call
traceback 4 +2
KeyboardInterrupt 1 +1
frame 24 +1
list 667 +1
tuple 16969 +1
這個泄漏對象的引用是什么？
為了看到持有變量 X 的引用是什么，運行 objgraph.show_backref 函數：
(pdb)import objgraph