Python Wall Time vs CPU Time: 了解執行時間和資源消耗

一、什麼是Python Wall Time和CPU Time

Python中，“Wall Time”和“CPU Time”是衡量程序執行時間和資源消耗的兩個指標。Wall Time反映的是實際流逝的時間，即程序開始執行到執行完成所經過的時間；而CPU Time則反映的是程序單獨佔用CPU的時間，不包括等待輸入輸出和其他外部因素所耗費的時間。

下面是一個簡單的代碼示例來說明它們的區別：

import time

# 測試程序：計算0~999999的和
start_time = time.time()
s = 0
for i in range(1000000):
    s += i
end_time = time.time()
print("Wall Time:", end_time - start_time)

start_cpu = time.process_time()
s = 0
for i in range(1000000):
    s += i
end_cpu = time.process_time()
print("CPU Time:", end_cpu - start_cpu)

當我們運行上面這段程序時，輸出結果可能類似於：

Wall Time: 0.123456
CPU Time: 0.038461

可以看到，Wall Time和CPU Time的數值差別很大，這是因為Python程序在執行過程中經常會因為等待輸入輸出、等待其他任務完成等原因而暫停運行，導致Wall Time比CPU Time長。

二、如何計算多個函數的Wall Time和CPU Time

當我們需要比較不同的函數在程序中的執行時間和資源消耗時，我們可以使用Python內置的裝飾器來計算它們的Wall Time和CPU Time。

首先，我們定義一個裝飾器函數來計算函數的Wall Time：

import time

def calculate_wall_time(func):
    def wrapper(*args, **kwargs):
        start_time = time.time()
        result = func(*args, **kwargs)
        end_time = time.time()
        print(func.__name__, "Wall Time:", end_time - start_time)
        return result
    return wrapper

定義好裝飾器函數後，我們在需要計算Wall Time的函數前加上@calculate_wall_time修飾符即可：

@calculate_wall_time
def func_1():
    ...

類似地，我們可以定義另一個裝飾器函數來計算函數的CPU Time：

import time

def calculate_cpu_time(func):
    def wrapper(*args, **kwargs):
        start_cpu = time.process_time()
        result = func(*args, **kwargs)
        end_cpu = time.process_time()
        print(func.__name__, "CPU Time:", end_cpu - start_cpu)
        return result
    return wrapper

使用方法同上：

@calculate_cpu_time
def func_2():
    ...

通過使用裝飾器函數，我們可以方便地計算多個函數的Wall Time和CPU Time，並進行比較。

三、如何使用profiler分析程序的性能問題

在比較重要的程序中，我們需要進行更深入的分析才能確定性能瓶頸出現在哪裡。Python的內置模塊profiler可以幫助我們分析程序的性能問題。

例如，我們定義一個複雜的函數來計算斐波那契數列的第n項：

import time

def fib(n):
    if n <= 1:
        return n
    else:
        return fib(n-1) + fib(n-2)

如果我們需要計算fib(35)時的Wall Time和CPU Time，我們可以使用之前的裝飾器函數來計算：

@calculate_wall_time
def test_wall_time():
    fib(35)

@calculate_cpu_time
def test_cpu_time():
    fib(35)

test_wall_time()
test_cpu_time()

運行結果可能類似於：

test_wall_time Wall Time: 3.524221181869507
test_cpu_time CPU Time: 3.51171875

可以看到，fib(35)的Wall Time和CPU Time都比較長。使用Python內置模塊cProfile可以查看這個函數每一行的運行情況和耗費的時間：

import cProfile

cProfile.run('fib(35)')

運行結果可能類似於：

結果輸出太長，省略...

在輸出結果中，每一行都顯示了這個函數在運行中的執行時間和調用次數，我們可以從中找出哪些是時間最長的部分，從而確定可能的性能瓶頸和優化方向。

四、如何優化程序的性能問題

當我們確定了程序的性能瓶頸後，就可以考慮優化程序來提高執行效率。

一些常見的優化方法有：

• 使用局部變量和常量代替全局變量和動態類型
• 使用Python內置函數和模塊代替自定義函數和算法
• 使用生成器和迭代器代替列表解析和循環結構
• 使用線程和進程來利用多核CPU

例如，我們可以修改之前的斐波那契數列函數fib(n)來使用局部變量和迭代器進行優化：

def fib(n):
    a, b = 0, 1
    for i in range(n):
        a, b = b, a + b
    return a

使用優化後的函數來計算fib(1000000)的Wall Time和CPU Time：

@calculate_wall_time
def test_wall_time():
    fib(1000000)

@calculate_cpu_time
def test_cpu_time():
    fib(1000000)

test_wall_time()
test_cpu_time()

運行結果可能類似於：

test_wall_time Wall Time: 0.28377318382263184
test_cpu_time CPU Time: 0.28125

可以看到，使用優化後的函數計算fib(1000000)的Wall Time和CPU Time都大幅度優化了。

總結

在Python中，我們可以使用Wall Time和CPU Time來衡量程序執行時間和資源消耗，並使用內置模塊profiler來分析程序的性能問題，並使用局部變量、內置函數、迭代器等技巧來優化程序的性能。