如何使用Python time perf_counter方法測量代碼性能

一、time模塊的使用

在Python中，可以使用time模塊來測量代碼的性能。具體來說，我們可以使用time.perf_counter()函數來計算程序運行時間。

import time

start_time = time.perf_counter()

# 待測試的代碼

end_time = time.perf_counter()

print("程序運行時間：", end_time - start_time)

time.perf_counter()函數返回的是CPU執行時間，單位是秒。我們分別在代碼開始和結束位置取得時間，並計算時間差，就能得出程序的運行時間。

二、使用timeit模塊進行多次測量

如果我們想測試代碼的性能穩定性，可以多次運行代碼並取平均值。Python中有一個timeit模塊，它可以方便地進行多次性能測試。

import timeit

t = timeit.Timer("待測試的代碼", "import 模塊")

print("程序運行時間：", t.timeit(number=1000)) # 進行1000次測試，並計算平均值

timeit.Timer()函數可以傳入兩個參數，第一個參數是待測試的代碼，第二個參數是需要導入的模塊。我們可以通過設置number參數來指定測試次數。timeit.Timer.timeit()方法會返回經過多次測試後的平均運行時間。

三、性能優化

測量完程序的性能後，我們可以對程序進行優化，以提高程序的運行速度。

最普遍的性能優化方式之一就是減少循環次數。如果存在多層循環，可以將內層循環儘可能提到外層循環外面來減少循環次數。同時，也可以考慮使用一些新的數據結構來替換原有的演算法。

四、實例：計算斐波那契數列

我們以計算斐波那契數列為例來測試代碼性能，並進行優化。

斐波那契數列是一個非常經典的數列，下一項的值是前兩項的和，即：0, 1, 1, 2, 3, 5, 8, 13, 21……

首先，我們看一下最基礎的計算斐波那契數列的代碼：

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

print(fibonacci(30))

這段代碼的時間複雜度是O(2^n)，n越大，計算時間越長。

接下來，我們進行優化。首先，我們將已經計算過的值保存下來，避免重複計算。這樣做可以大大減少循環次數。

memo = {} # 存儲已經計算過的值

def fibonacci(n):
    if n <= 1:
        return n
    if n not in memo:
        memo[n] = fibonacci(n-1) + fibonacci(n-2)
    return memo[n]

print(fibonacci(30))

下一步，我們考慮循環計算斐波那契數列。在循環中，我們只需存儲前兩個數值並依次更新，就能計算出所有的斐波那契數列。

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

print(fibonacci(30))

最後，我們通過time模塊來測試不同演算法的性能，並對比不同演算法的運行時間。

import time

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

def fibonacci_memo(n, memo):
    if n <= 1:
        return n
    if n not in memo:
        memo[n] = fibonacci_memo(n-1, memo) + fibonacci_memo(n-2, memo)
    return memo[n]

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

start_time = time.perf_counter()
print(fibonacci_recursive(35))
end_time = time.perf_counter()
print("遞歸演算法的運行時間：", end_time - start_time)

start_time = time.perf_counter()
print(fibonacci_memo(35, {}))
end_time = time.perf_counter()
print("使用備忘錄的遞歸演算法的運行時間：", end_time - start_time)

start_time = time.perf_counter()
print(fibonacci_loop(100000))
end_time = time.perf_counter()
print("循環演算法的運行時間：", end_time - start_time)

運行結果表明，遞歸演算法的運行時間最長，循環演算法的運行時間最短。使用備忘錄的遞歸演算法與循環演算法的運行時間差距不大。