Python Language
profiling

%% timeit e% timeit in IPython

Concatenamento di stringhe di profilazione:

In [1]: import string

In [2]: %%timeit s=""; long_list=list(string.ascii_letters)*50
  ....: for substring in long_list:
  ....:   s+=substring
  ....:
1000 loops, best of 3: 570 us per loop

In [3]: %%timeit long_list=list(string.ascii_letters)*50
  ....: s="".join(long_list)
  ....:
100000 loops, best of 3: 16.1 us per loop

Loop di profilatura su iterables ed elenchi:

In [4]: %timeit for i in range(100000):pass
100 loops, best of 3: 2.82 ms per loop

In [5]: %timeit for i in list(range(100000)):pass
100 loops, best of 3: 3.95 ms per loop

funzione timeit ()

Ripetizione del profilo degli elementi in un array

>>> import timeit
>>> timeit.timeit('list(itertools.repeat("a", 100))', 'import itertools', number = 10000000)
10.997665435877963
>>> timeit.timeit('["a"]*100', number = 10000000)
7.118789926862576

riga di comando timeit

Conciliazione dei numeri

python -m timeit "'-'.join(str(n) for n in range(100))"
10000 loops, best of 3: 29.2 usec per loop

python -m timeit "'-'.join(map(str,range(100)))"
100000 loops, best of 3: 19.4 usec per loop

line_profiler nella riga di comando

Il codice sorgente con la direttiva @profile prima della funzione che vogliamo profilare:

import requests

@profile
def slow_func():
    s = requests.session()
    html=s.get("https://en.wikipedia.org/").text
    sum([pow(ord(x),3.1) for x in list(html)])
        
for i in range(50):
    slow_func()

Usando il comando kernprof per calcolare il profilo riga per riga

$ kernprof -lv so6.py

Wrote profile results to so6.py.lprof
Timer unit: 4.27654e-07 s

Total time: 22.6427 s
File: so6.py
Function: slow_func at line 4

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
     4                                           @profile
     5                                           def slow_func():
     6        50        20729    414.6      0.0      s = requests.session()
     7        50     47618627 952372.5     89.9      html=s.get("https://en.wikipedia.org/").text
     8        50      5306958 106139.2     10.0      sum([pow(ord(x),3.1) for x in list(html)])

La richiesta di pagina è quasi sempre più lenta di qualsiasi calcolo basato sulle informazioni sulla pagina.

Utilizzo di cProfile (profilo preferito)

Python include un profiler chiamato cProfile. Questo è generalmente preferito rispetto al timeit.

Spezza l'intero script e per ogni metodo nel tuo script ti dice:

• ncalls : il numero di volte in cui è stato chiamato un metodo
• tottime : tempo totale trascorso nella funzione data (escluso il tempo trascorso nelle chiamate alle sotto-funzioni)
• percall : tempo trascorso per chiamata. O il quoziente di tempo diviso per ncalls
• cumtime : il tempo cumulativo trascorso in questa e tutte le sottofunzioni (dall'invocazione all'uscita). Questa cifra è accurata anche per le funzioni ricorsive.
• percall : è il quoziente di cumtime diviso per le chiamate primitive
• filename:lineno(function) : fornisce i rispettivi dati di ciascuna funzione

Il cProfiler può essere facilmente richiamato su Command Line usando:

$ python -m cProfile main.py 

Per ordinare l'elenco restituito dei metodi profilati in base al tempo impiegato nel metodo:

$ python -m cProfile -s time main.py