Python实现监控内存使用情况和代码执行时间

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，而且通常情况下存在开发空间。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

time 模块

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:

importtime

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:

importtime

# for loop vs. list comp
list_comp_start_time=time.time()
result= [iforiinrange(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()
foriinrange(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 ％

％％time 魔法命令

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
defconvert_cms(cm, unit='m'):
    '''
    Function to convert cm to m or feet
    '''
    ifunit=='m':
        returncm/100
    returncm/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。

line_profiler

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。

importline_profiler

defconvert_cms(cm, unit='m'):
    '''
    Function to convert cm to m or feet
    '''
    ifunit=='m':
        returncm/100
    returncm/30.48

# Load the profiler
％load_extline_profiler

# Use the profiler's magic to call the method
％lprun-fconvert_cmsconvert_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。

memory_profiler

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/30.48

memory_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

来源：https://segmentfault.com/a/1190000043356545