此为历史版本和 IPFS 入口查阅区，回到作品页

IPFS 指纹这是什么

IPython各種用法 - 讀書筆記 - Python Data Science Handbook - Python數據科學 - 寫程式非常重要的性能測算與計時 - IPython的相關網路資源與書籍 - 筆記#3

為自己Coding

2021 年 3 月 9 日

IPython中的各種計算性能方法 %time: 測量單個語句的執行時間 %timeit: 重複測量單個語句的執行時間，並計算平均時間，來取得更準確的執行時間結果 %p...

Github連結

1.7章程式性能的測算與計時

1.IPython中的各種計算性能方法

%time: 測量單個語句的執行時間
%timeit: 重複測量單個語句的執行時間，並計算平均時間，來取得更準確的執行時間結果
%prun: 使用性能計算工具與程式碼一起執行
%lprun: 使用單個語句執行的性能計算工具與程式碼一起運行
%memit: 計算單個語句佔用的內存（Memory）空間
%mprun: 使用單個語句執行的內存（Memory）計算工具與程式碼一起執行

2. %time & %timeit 程式執行計時工具

%timeit

%timeit sum(range(600))

執行結果

7.35 µs ± 38.7 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

補充說明：由於上面的例子執行速度相當快，所以%timeit會自動重複運行很多回合，但如果換成一個執行較慢的計算，%timeit會自動減少回合數，如下例子

%%timeit

total = 0
for i in range(6000):
  for k in range(6000):
    total += i * k
print(total)

執行結果

323892009000000
323892009000000
323892009000000
323892009000000
323892009000000
323892009000000
323892009000000
323892009000000
2.73 s ± 212 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

狀況：如果遇到列表進行排序操作時，重複執行的結果會誤導我們，因為對一個已經排好序的列表進行排序是非常快的，所以在第一次執行完成後，後面重複進行測量的數據都是錯誤的，時間會不對（會過快）

import random
L = [random.random() for i in range(1000000)]
%timeit L.sort()

執行結果

21.9 ms ± 278 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)

%time

範例一：計算還沒排序的列表

import random
L = [random.random() for i in range(1000000)]
print('Sorting an Unsorting list(L)')
%time L.sort()

執行結果

Sorting an Unsorting list(L)
Wall time: 230 ms

範例二：接著上面執行計算已經排好序的列表

print('Sorting an Alreaddy Sorted list(L)')
%time L.sort()

執行結果

Sorting an Alreaddy Sorted list(L)
Wall time: 22.7 ms

可以明顯看出時間差異！！所以非常不適合重複執行！！

計時 - %timeit為什麼通常都比%time的執行時間快？

%timeit會有一種額外的機制，來防止系統調用（System calls）影響程式執行的時間結果，像是它會防止系統清理掉不再使用的Python物件（又稱垃圾收集），才不會讓這樣的狀況影響執行的時間

% 只能執行一行程式碼，%%就可以執行一整段程式碼

%%time
total = 0
for i in range(6000):
  for k in range(6000):
    total += i * k
    
print(total)

執行結果

323892009000000
Wall time: 5.01 s

3. %prun整個Python檔的性能測算

舉例：先自行定義一個函數，然後測算它的性能

In [1]: def sum_list(N):
 ...:  total = 0
 ...:  for i in range(5):
 ...:    L = [j ^ (j >> i) for j in range(N)]
 ...:  return total

計算性能%prun

In [2]: %prun sum_list(10000000)
    9 function calls in 6.178 seconds

 Ordered by: internal time

 ncalls tottime percall cumtime percall filename:lineno(function)
   5 5.708 1.142 5.708 1.142 <ipython-input-1-9b46611eb043>:4(<listcomp>)
   1 0.355 0.355 6.063 6.063 <ipython-input-1-9b46611eb043>:1(sum_list)
   1 0.115 0.115 6.178 6.178 <string>:1(<module>)
   1 0.000 0.000 6.178 6.178 {built-in method builtins.exec}
   1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}

產出的結果表格，顯示每個函數調用的執行時間排序（從大到小），當然從我們的範例中，因為只有執行一個函數，所以耗時最長的就是sum_list

使用%prun就能看出程式在哪耗時最久，也就能知道要從哪裡著手了

4. %lprun 一行一行的執行程式碼去測試性能

安裝第三方套件到Python中

pip install line_profiler

再從IPython中載入套件

%load_ext line_profiler

執行%lprun來計算函數的逐條程式性能

%lprun -f sum_list(5000)

書本說從結果可以看出，%lprun會幫我們一行一行計算程式性能，單位是毫秒，讓我們知道哪一行執行時間最久，就能根據這個資訊優化哪行程式

這邊我在安裝第三方套件的時候一直報錯，所以沒辦法親自試試，大家可以自行使用看看

5. %memit & %mprun 計算內存（Memory）使用量

安裝第三方套件到Python中

pip install memory_profiler

再從IPython載入套件

%load_ext memory_profiler

%memit 整個程式的內存空間（Memory Space）使用量

執行%memit來計算函數的逐條程式性能

In [1]: %load_ext memory_profiler

In [2]: def sum_list(N):
 ...: ...:  total = 0
 ...: ...:  for i in range(5):
 ...: ...:    L = [j ^ (j >> i) for j in range(N)]
 ...: ...:  return total
 ...:

In [3]: %memit sum_list(6000)
peak memory: 50.06 MiB, increment: 0.51 MiB

結果：從peak memory可以看出這個程式用了多少的內存（Memory）空間

%mprun - 逐行程式檢視內存（Memory）空間的使用量

限制：它只能在獨立的模塊（Modules）上使用，不能應用在notebook本身，簡單來說，它要執行整個外部的Python檔
使用%%file，來創建一個Python檔，如果遇到Permission denied，表示權限不夠喔，可以建議改用Anaconda Powershell Prompt 或是自行用別的編譯器來創建Python檔

In [3]: %memit sum_list(6000)
peak memory: 50.06 MiB, increment: 0.51 MiB

In [4]: %%file mprun_demo_example.py
 ...: def sum_lists(N):
 ...:  total = 0
 ...:  for i in range(6):
 ...:    L = [j ^ (j >> i) for j in range(N)]
 ...:    total += sum(L)
 ...:    del L
 ...:  return toal
 ...:
Writing mprun_demo_example.py

導入模塊，也就是導入外部Python檔（前面所建立的），並使用內存空間（Memory Space）計算工具 - %mprun，來進行逐行程式碼計算

In [5]: from mprun_demo_example import sum_lists

In [6]: %mprun -f sum_lists sum_lists(10000000)

執行結果

Line # Mem usage Increment Occurences Line Contents
============================================================
  1  51.3 MiB  51.3 MiB     1 def sum_lists(N):
  2  51.3 MiB  0.0 MiB     1   total = 0
  3  51.3 MiB  0.0 MiB     2   for i in range(6):
  4 359.6 MiB -75619584.5 MiB 17985287     L = [j ^ (j >> i) for j in range(N)]
  5 127.6 MiB  0.0 MiB     1     total += sum(L)
  6  51.3 MiB -76.3 MiB     1     del L
  7                      return toal
*** KeyboardInterrupt exception caught in code being profiled.