本文目錄一覽：
python的特性是什麼？
Python是一門大家都比較熟悉的一門計算機語言，也是比較簡單的一門計算機語言，相對於來說更加簡單一些，而且也是不少人進入行業內的首要選擇。
Python是一門好用又簡單易學的計算機編程語言，在近幾年中，Python受到了不少IT人士的追捧，熱度也是越來越高了，成為了我們入門首選的編程語言，為什麼呢?因為Python具有非常廣泛的應用範圍，在人工智慧、web開發之中具有非常好的應用，同時在金融分析、爬蟲等領域也具有很大的作用。
1、Python採用C語言進行開發，但是Python不再有C語言中的指針等複雜的數據類型存在。
2、Python具有很強的面向對象特性，同時也簡單化了面向對象的實現，可以消除保護類型、抽象類、介面等面向對象的元素。
3、Python代碼可以使用空格或者製表符縮進的方式分割代碼。
4、Python僅僅只有31個保留字，而且沒有分號、begin、end等標記。
5、Python是強類型的語言，變數創建之後會對應一種數據類型，出現在統一表達式中的不同類型的變數需要做類型轉換。
python的性能
我用python執行時間23秒，用pypy執行時間1.54秒，用numba加速為1.5秒，c語言在本機macos上執行時間1.3秒,java運行速度1.45秒（jre8）,詳細見圖片，可見引入jit編譯後，性能直逼c語言，而寫python比寫c容易太多,比java簡潔，寫代碼速度也是非常非常重要。由於歷史原因，很多python庫用的c語言庫，如pandas（pandas的矩陣計算用numpy優化過非常快，可能比手寫c語言循環還要快），可以通過設計來分離c語言加速後的python代碼和pure python，分別用不同的加速方法，如numba可以單獨加速一個函數，把需要大量計算的放在一個函數用numba加速（numbapro支持顯卡加速但是商業版的）。
所以只適當設計一下，python在一般計算問題下有這些解決方案下性能不是問題，實在不行，你還可以用boost::python來寫個c/c++調用庫來解決性能問題。
下面的測試說明，對於性能，原生python比較慢，在windows下python比linux,macos要快，用pypy後相當於java,c#速度，pypy,c#在windows下受益msvc表現較快，,go語言速度表現比較穩定，c語言理論上是最快，但受環境和編譯器影響較大。對c#,java可能在GC垃圾回收時會表現不穩定，因為在oop中有大量計算後可能要回收垃圾內存對象，這個沒有用到oop，只是純計算，理論上還是c/c++語言最快。
python和java比，運行速度比java慢，java強大於改進n次的強大jre，但python在很多領域能調用很多現成的開源庫，在數據分析中有優勢，pyhton的代碼比java要簡潔，容易入門和使用。在優化的計算庫幫助下,如numpy numba，pandas，scikit-learn，python的實際問題運算性能並不低於java。java主要是框架太多，相對複雜，java主要用於業務程序開發，符合軟體工程理論，可伸縮性強,強類型有利於對程序的靜態檢查分析。java隨著安卓,hadoop,spark的興起，加入java語言的公司很多，性能也可以通過優化解決很多問題。很多伺服器如ubuntu server,centos都默認支持python，而java虛擬機需要安裝配置，python的安裝使用也相對簡單。python的庫有開箱即用感，很多業務領域，你可能還在用oop寫代碼，考慮設計模式，用鋤頭挖溝時，而python調用挖掘機api已經炒菜完工開飯了，缺點是油耗比較大。
Python是什麼？Python可以幹什麼？
Python（發音：英[ˈpaɪθən]，美[ˈpaɪθɑ:n]），是一種易學且功能強大的編程語言。
這種語言的名字（Python意為「蟒蛇」）來自於BBC節目「Monty Python的飛行馬戲團」，而與爬行動物沒有關係。在文檔中用Monty Python來開玩笑不只是可以的，還是可以推薦的！
Python具有高級有效的數據結構和簡單有效的面向對象編程。
Python優雅的語法和動態類型，加上它的解釋性，使它成為很多編程平台開放開源和快速開發應用的理想語言。
Python 解釋器及豐富的標準庫以源碼或機器碼的形式提供，可以到 Python 官網 免費獲取。在下載時要注意你所使用的操作系統類型。在這個官方網站上還提供了許多免費的第三方 Python 模塊、程序和工具以及附加文檔的發布頁面或鏈接。
Python很容易使用，但它是一種真正的編程語言，提供了很多數據結構，也支持大型程序，遠超shell腳本或批處理文件的功能。Python還提供比C語言更多的錯誤檢查，而且作為一種「超高級語言」，它有高級的內置數據類型，比如靈活的數組和字典。正因為這些更加通用的數據類型，Python能夠應付更多的問題，超過Awk甚至Perl，而且很多東西在Python中至少和那些語言同樣簡單。
Python 允許你劃分程序模塊，在其他的 Python 程序中重用。它內置了很多的標準模塊，你可以在此基礎上開發程序——也可以作為例子，開始學習 Python 編程。例如，文件輸入輸出，系統調用，套接字，甚至圖形界面介面工作包比如 Tk 。
Python是一種解釋型語言，在程序開發階段可以為你節省大量時間，因為不需要編譯和鏈接。解釋器可以互動式使用，這樣就可以方便地嘗試語言特性，寫一些一次性的程序，或者在自下向上的程序開發中測試功能。
Python也是一個順手的桌面計算器。
Python程序的書寫是緊湊而易讀的。Python代碼通常比同樣功能的C，C++，Java代碼要短很多，原因列舉如下：
（1）高級數據類型允許在一個表達式中表示複雜的操作；
（2）代碼塊的劃分是按照縮進而不是成對的花括弧；
（3）不需要預先定義變數或參數。
Python是「可擴展的」：如果你知道怎麼寫C語言程序，就能很容易地給解釋器添加新的內置函數或模塊，不論是讓關鍵的程序以最高速度運行，還是把Python程序鏈接到只提供預編譯程序的庫（比如硬體相關的圖形庫）。一旦你真正鏈接上了，就能在Python解釋器中擴展或者控制C語言編寫的應用了。
Python本身提供了非常完善的基礎代碼庫，覆蓋了網路、文件、GUI、資料庫、文本等大量內容。所以，使用Python開發程序，你不必從0開始做，使用基礎代碼庫或第三方庫就可以輕鬆幫助你完成大量的工作。
在實際中，許多大型網站就是用Python開發的，例如YouTube、Instagram，還有國內的豆瓣。很多大公司，包括Google、Yahoo等，甚至NASA（美國航空航天局）都在大量地使用Python。因此，你學習或使用Python並不孤單。
但是，Python並不是完美的，也並非萬能的。它的第一個缺點就是運行速度慢，由於Python是解釋型語言，與其它編譯型語言比起來要慢得多，不過當前的計算機硬體和網路設備的性能改善很多，而且很多情況下，你不需要那麼快的速度去做工作，Python的慢性子是可以忍受的。
它的第二個缺點就是代碼是可見的，你編寫的Python程序共享給其他人時，其他人是可以看到源代碼的，這一方面是由於Python的宗旨是開源共享，另外一方面是它是解釋型的，拿過來，用你的Python解釋器直接解釋運行就可以了，沒必要封裝編譯成機器代碼。
（註：本文整理了官方文檔與網路其它文檔中的一些內容）
本號將在今後逐步發布Python方面的文章，希望你能收藏關注本號，有空來看看，留下你的足跡，給本站前行的動力。
微信搜索 「優雅的代碼」 關注本站的公眾號，以獲取最新內容。
個人成長離不開各位的關注，你的關注就是我繼續前行的動力。
後端編程Python3-調試、測試和性能剖析(下)
單元測試（Unit Testing）
為程序編寫測試——如果做的到位——有助於減少bug的出現，並可以提高我們對程序按預期目標運行的信心。通常，測試並不能保證正確性，因為對大多數程序而言， 可能的輸入範圍以及可能的計算範圍是如此之大，只有其中最小的一部分能被實際地進 行測試。儘管如此，通過仔細地選擇測試的方法和目標，可以提高代碼的質量。
大量不同類型的測試都可以進行，比如可用性測試、功能測試以及整合測試等。這裡, 我們只講單元測試一對單獨的函數、類與方法進行測試，確保其符合預期的行為。
TDD的一個關鍵點是，當我們想添加一個功能時——比如為類添加一個方法—— 我們首次為其編寫一個測試用例。當然，測試將失敗，因為我們還沒有實際編寫該方法。現在，我們編寫該方法，一旦方法通過了測試，就可以返回所有測試，確保我們新添加的代碼沒有任何預期外的副作用。一旦所有測試運行完畢（包括我們為新功能編寫的測試），就可以對我們的代碼進行檢查，並有理有據地相信程序行為符合我們的期望——當然，前提是我們的測試是適當的。
比如，我們編寫了一個函數，該函數在特定的索引位置插入一個字元串，可以像下面這樣開始我們的TDD：
def insert_at（string, position, insert）:
“””Returns a copy of string with insert inserted at the position
string = “ABCDE”
result =[]
for i in range(-2, len(string) + 2):
… result.append(insert_at(string, i,「-」))
result[:5]
[‘ABC-DE’, ‘ABCD-E’, ‘-ABCDE’,’A-BCDE’, ‘AB-CDE’]
result[5:]
[‘ABC-DE’, ‘ABCD-E’, ‘ABCDE-‘, ‘ABCDE-‘]
“””
return string
對不返回任何參數的函數或方法（通常返回None）,我們通常賦予其由pass構成的一個suite,對那些返回值被試用的，我們或者返回一個常數（比如0）,或者某個不變的參數——這也是我們這裡所做的。（在更複雜的情況下，返回fake對象可能更有用一一對這樣的類，提供mock對象的第三方模塊是可用的。）
運行doctest時會失敗，並列出每個預期內的字元串（’ABCD-EF’、’ABCDE-F’ 等），及其實際獲取的字元串（所有的都是’ABCD-EF’）。一旦確定doctest是充分的和正確的，就可以編寫該函數的主體部分，在本例中只是簡單的return string[:position] + insert+string[position:]。（如果我們編寫的是 return string[:position] + insert,之後複製 string [:position]並將其粘貼在末尾以便減少一些輸入操作，那麼doctest會立即提示錯誤。）
Python的標準庫提供了兩個單元測試模塊，一個是doctest,這裡和前面都簡單地提到過，另一個是unittest。此外，還有一些可用於Python的第三方測試工具。其中最著名的兩個是nose (code.google.com/p/python-nose)與py.test (codespeak.net/py/dist/test/test.html), nose 致力於提供比標準的unittest 模塊更廣泛的功能，同時保持與該模塊的兼容性，py.test則採用了與unittest有些不同的方法，試圖儘可能消除樣板測試代碼。這兩個第三方模塊都支持測試發現，因此沒必要寫一個總體的測試程序——因為模塊將自己搜索測試程序。這使得測試整個代碼樹或某一部分 (比如那些已經起作用的模塊)變得很容易。那些對測試嚴重關切的人，在決定使用哪個測試工具之前，對這兩個(以及任何其他有吸引力的)第三方模塊進行研究都是值 得的。
創建doctest是直截了當的：我們在模塊中編寫測試、函數、類與方法的docstrings。 對於模塊，我們簡單地在末尾添加了 3行：
if __name__ ==”__main__”:
import doctest
doctest.testmod()
在程序內部使用doctest也是可能的。比如，blocks.py程序(其模塊在後面)有自己函數的doctest，但以如下代碼結尾：
if __name__== “__main__”:
main()
這裡簡單地調用了程序的main()函數，並且沒有執行程序的doctest。要實驗程序的 doctest,有兩種方法。一種是導入doctest模塊，之後運行程序—比如，在控制台中輸 入 python3 -m doctest blocks.py (在 Wndows 平台上，使用類似於 C:Python3 lpython.exe 這樣的形式替代python3)。如果所有測試運行良好，就沒有輸出，因此，我們可能寧願執行python3-m doctest blocks.py-v,因為這會列出每個執行的doctest,並在最後給出結果摘要。
另一種執行doctest的方法是使用unittest模塊創建單獨的測試程序。在概念上， unittest模塊是根據Java的JUnit單元測試庫進行建模的，並用於創建包含測試用例的測試套件。unittest模塊可以基於doctests創建測試用例，而不需要知道程序或模塊包含的任何事物——只要知道其包含doctest即可。因此，為給blocks.py程序製作一個測試套件，我們可以創建如下的簡單程序(將其稱為test_blocks.py)：
import doctest
import unittest
import blocks
suite = unittest.TestSuite()
suite.addTest(doctest.DocTestSuite(blocks))
runner = unittest.TextTestRunner()
print(runner.run(suite))
注意，如果釆用這種方法，程序的名稱上會有一個隱含的約束：程序名必須是有效的模塊名。因此，名為convert-incidents.py的程序的測試不能寫成這樣。因為import convert-incidents不是有效的，在Python標識符中，連接符是無效的（避開這一約束是可能的，但最簡單的解決方案是使用總是有效模塊名的程序文件名，比如，使用下劃線替換連接符）。這裡展示的結構（創建一個測試套件，添加一個或多個測試用例或測試套件，運行總體的測試套件，輸出結果）是典型的機遇unittest的測試。運行時，這一特定實例產生如下結果：
…
……………………………………………………………………………………………….
Ran 3 tests in 0.244s
OK
每次執行一個測試用例時，都會輸出一個句點（因此上面的輸出最前面有3個句點），之後是一行連接符，再之後是測試摘要（如果有任何一個測試失敗，就會有更多的輸出信息）。
如果我們嘗試將測試分離開（典型情況下是要測試的每個程序和模塊都有一個測試用例），就不要再使用doctests,而是直接使用unittest模塊的功能——尤其是我們習慣於使用JUnit方法進行測試時ounittest模塊會將測試分離於代碼——對大型項目（測試編寫人員與開發人員可能不一致）而言，這種方法特別有用。此外，unittest單元測試編寫為獨立的Python模塊，因此，不會像在docstring內部編寫測試用例時受到兼容性和明智性的限制。
unittest模塊定義了 4個關鍵概念。測試夾具是一個用於描述創建測試（以及用完之後將其清理）所必需的代碼的術語，典型實例是創建測試所用的一個輸入文件，最後刪除輸入文件與結果輸出文件。測試套件是一組測試用例的組合。測試用例是測試的基本單元—我們很快就會看到實例。測試運行者是執行一個或多個測試套件的對象。
典型情況下，測試套件是通過創建unittest.TestCase的子類實現的，其中每個名稱 以「test」開頭的方法都是一個測試用例。如果我們需要完成任何創建操作，就可以在一個名為setUp()的方法中實現；類似地，對任何清理操作，也可以實現一個名為 tearDown()的方法。在測試內部，有大量可供我們使用的unittest.TestCase方法，包括 assertTrue()、assertEqual()、assertAlmostEqual()（對於測試浮點數很有用）、assertRaises() 以及更多，還包括很多對應的逆方法，比如assertFalse()、assertNotEqual()、failIfEqual()、 failUnlessEqual ()等。
unittest模塊進行了很好的歸檔，並且提供了大量功能，但在這裡我們只是通過一 個非常簡單的測試套件來感受一下該模塊的使用。這裡將要使用的實例,該練習要求創建一個Atomic模塊，該模塊可以用作一 個上下文管理器，以確保或者所有改變都應用於某個列表、集合或字典，或者所有改變都不應用。作為解決方案提供的Atomic.py模塊使用30行代碼來實現Atomic類， 並提供了 100行左右的模塊doctest。這裡，我們將創建test_Atomic.py模塊，並使用 unittest測試替換doctest,以便可以刪除doctest。
在編寫測試模塊之前，我們需要思考都需要哪些測試。我們需要測試3種不同的數據類型：列表、集合與字典。對於列表，需要測試的是插入項、刪除項或修改項的值。對於集合，我們必須測試向其中添加或刪除一個項。對於字典，我們必須測試的是插入一個項、修改一個項的值、刪除一個項。此外，還必須要測試的是在失敗的情況下，不會有任何改變實際生效。
結構上看，測試不同數據類型實質上是一樣的，因此，我們將只為測試列表編寫測試用例，而將其他的留作練習。test_Atomic.py模塊必須導入unittest模塊與要進行測試的Atomic模塊。
創建unittest文件時，我們通常創建的是模塊而非程序。在每個模塊內部，我們定義一個或多個unittest.TestCase子類。比如，test_Atomic.py模塊中僅一個單獨的 unittest-TestCase子類，也就是TestAtomic (稍後將對其進行講解)，並以如下兩行結束:
if name == “__main__”:
unittest.main()
這兩行使得該模塊可以單獨運行。當然，該模塊也可以被導入並從其他測試程序中運行——如果這只是多個測試套件中的一個，這一點是有意義的。
如果想要從其他測試程序中運行test_Atomic.py模塊，那麼可以編寫一個與此類似的程序。我們習慣於使用unittest模塊執行doctests,比如：
import unittest
import test_Atomic
suite = unittest.TestLoader().loadTestsFromTestCase(test_Atomic.TestAtomic)
runner = unittest.TextTestRunner()
pnnt(runner.run(suite))
這裡，我們已經創建了一個單獨的套件，這是通過讓unittest模塊讀取test_Atomic 模塊實現的，並且使用其每一個test*()方法(本實例中是test_list_success()、test_list_fail()，稍後很快就會看到)作為測試用例。
我們現在將查看TestAtomic類的實現。對通常的子類(不包括unittest.TestCase 子類)，不怎麼常見的是，沒有必要實現初始化程序。在這一案例中，我們將需要建立 一個方法，但不需要清理方法，並且我們將實現兩個測試用例。
def setUp(self)：
self.original_list = list(range(10))
我們已經使用了 unittest.TestCase.setUp()方法來創建單獨的測試數據片段。
def test_list_succeed(self):
items = self.original_list[:]
with Atomic.Atomic(items) as atomic:
atomic.append(1999)
atomic.insert(2, -915)
del atomic[5]
atomic[4]= -782
atomic.insert(0, -9)
self.assertEqual(items,
[-9, 0, 1, -915, 2, -782, 5, 6, 7, 8, 9, 1999])
def test_list_fail(self):
items = self.original_list[:]
with self.assertRaises(AttributeError):
with Atomic.Atomic(items) as atomic:
atomic.append(1999)
atomic.insert(2, -915)
del atomic[5]
atomic[4] = -782
atomic.poop() # Typo
self.assertListEqual(items, self.original_list)
這裡，我們直接在測試方法中編寫了測試代碼，而不需要一個內部函數，也不再使用unittest.TestCase.assertRaised()作為上下文管理器(期望代碼產生AttributeError)。 最後我們也使用了 Python 3.1 的 unittest.TestCase.assertListEqual()方法。
正如我們已經看到的，Python的測試模塊易於使用，並且極為有用，在我們使用 TDD的情況下更是如此。它們還有比這裡展示的要多得多的大量功能與特徵——比如，跳過測試的能力，這有助於理解平台差別——並且這些都有很好的文檔支持。缺失的一個功能——但nose與py.test提供了——是測試發現，儘管這一特徵被期望在後續的Python版本(或許與Python 3.2—起)中出現。
性能剖析（Profiling）
如果程序運行很慢，或者消耗了比預期內要多得多的內存，那麼問題通常是選擇的演算法或數據結構不合適，或者是以低效的方式進行實現。不管問題的原因是什麼， 最好的方法都是準確地找到問題發生的地方,而不只是檢査代碼並試圖對其進行優化。 隨機優化會導致引入bug,或者對程序中本來對程序整體性能並沒有實際影響的部分進行提速，而這並非解釋器耗費大部分時間的地方。
在深入討論profiling之前，注意一些易於學習和使用的Python程序設計習慣是有意義的，並且對提高程序性能不無裨益。這些技術都不是特定於某個Python版本的， 而是合理的Python程序設計風格。第一，在需要只讀序列時，最好使用元組而非列表； 第二，使用生成器，而不是創建大的元組和列表並在其上進行迭代處理；第三，盡量使用Python內置的數據結構 dicts、lists、tuples 而不實現自己的自定義結構，因為內置的數據結構都是經過了高度優化的；第四，從小字元串中產生大字元串時， 不要對小字元串進行連接，而是在列表中累積，最後將字元串列表結合成為一個單獨的字元串；第五，也是最後一點，如果某個對象(包括函數或方法)需要多次使用屬性進行訪問(比如訪問模塊中的某個函數)，或從某個數據結構中進行訪問，那麼較好的做法是創建並使用一個局部變數來訪問該對象，以便提供更快的訪問速度。
Python標準庫提供了兩個特別有用的模塊，可以輔助調査代碼的性能問題。一個是timeit模塊——該模塊可用於對一小段Python代碼進行計時，並可用於諸如對兩個或多個特定函數或方法的性能進行比較等場合。另一個是cProfile模塊，可用於profile 程序的性能——該模塊對調用計數與次數進行了詳細分解，以便發現性能瓶頸所在。
為了解timeit模塊，我們將查看一些小實例。假定有3個函數function_a()、 function_b()、function_c(), 3個函數執行同樣的計算，但分別使用不同的演算法。如果將這些函數放於同一個模塊中(或分別導入)，就可以使用timeit模塊對其進行運行和比較。下面給出的是模塊最後使用的代碼：
if __name__ == “__main__”:
repeats = 1000
for function in (“function_a”, “function_b”, “function_c”):
t = timeit.Timer(“{0}(X, Y)”.format(function),”from __main__ import {0}, X, Y”.format(function))
sec = t.timeit(repeats) / repeats
print(“{function}() {sec:.6f} sec”.format(**locals()))
賦予timeit.Timer()構造子的第一個參數是我們想要執行並計時的代碼，其形式是字元串。這裡，該字元串是「function_a(X,Y)」；第二個參數是可選的，還是一個待執行的字元串，這一次是在待計時的代碼之前，以便提供一些建立工作。這裡，我們從 __main__ (即this)模塊導入了待測試的函數，還有兩個作為輸入數據傳入的變數(X 與Y),這兩個變數在該模塊中是作為全局變數提供的。我們也可以很輕易地像從其他模塊中導入數據一樣來進行導入操作。
調用timeit.Timer對象的timeit()方法時，首先將執行構造子的第二個參數(如果有)， 之後執行構造子的第一個參數並對其執行時間進行計時。timeit.Timer.timeit()方法的返回值是以秒計數的時間，類型是float。默認情況下，timeit()方法重複100萬次，並返回所 有這些執行的總秒數，但在這一特定案例中，只需要1000次反覆就可以給出有用的結果, 因此對重複計數次數進行了顯式指定。在對每個函數進行計時後，使用重複次數對總數進行除法操作，就得到了平均執行時間，並在控制台中列印出函數名與執行時間。
function_a() 0.001618 sec
function_b() 0.012786 sec
function_c() 0.003248 sec
在這一實例中，function_a()顯然是最快的——至少對於這裡使用的輸入數據而言。 在有些情況下一一比如輸入數據不同會對性能產生巨大影響——可能需要使用多組輸入數據對每個函數進行測試，以便覆蓋有代表性的測試用例，並對總執行時間或平均執行時間進行比較。
有時監控自己的代碼進行計時並不是很方便，因此timeit模塊提供了一種在命令行中對代碼執行時間進行計時的途徑。比如，要對MyModule.py模塊中的函數function_a()進行計時，可以在控制台中輸入如下命令：python3 -m timeit -n 1000 -s “from MyModule import function_a, X, Y” “function_a(X, Y)”(與通常所做的一樣，對 Windows 環境，我們必須使用類似於C:Python3lpython.exe這樣的內容來替換python3)。-m選項用於Python 解釋器，使其可以載入指定的模塊(這裡是timeit),其他選項則由timeit模塊進行處理。 -n選項指定了循環計數次數，-s選項指定了要建立，最後一個參數是要執行和計時的代碼。命令完成後，會向控制台中列印運行結果，比如：
1000 loops, best of 3: 1.41 msec per loop
之後我們可以輕易地對其他兩個函數進行計時，以便對其進行整體的比較。
cProfile模塊(或者profile模塊，這裡統稱為cProfile模塊)也可以用於比較函數 與方法的性能。與只是提供原始計時的timeit模塊不同的是，cProfile模塊精確地展示 了有什麼被調用以及每個調用耗費了多少時間。下面是用於比較與前面一樣的3個函數的代碼：
if __name__ == “__main__”:
for function in (“function_a”, “function_b”, “function_c”):
cProfile.run(“for i in ranged 1000): {0}(X, Y)”.format(function))
我們必須將重複的次數放置在要傳遞給cProfile.run()函數的代碼內部，但不需要做任何創建，因為模塊函數會使用內省來尋找需要使用的函數與變數。這裡沒有使用顯式的print()語句，因為默認情況下，cProfile.run()函數會在控制台中列印其輸出。下面給出的是所有函數的相關結果(有些無關行被省略，格式也進行了稍許調整，以便與頁面適應)：
1003 function calls in 1.661 CPU seconds
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.003 0.003 1.661 1.661 :1 ( )
1000 1.658 0.002 1.658 0.002 MyModule.py:21 (function_a)
1 0.000 0.000 1.661 1.661 {built-in method exec}
5132003 function calls in 22.700 CPU seconds
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.487 0.487 22.700 22.700 : 1 ( )
1000 0.011 0.000 22.213 0.022 MyModule.py:28(function_b)
5128000 7.048 0.000 7.048 0.000 MyModule.py:29( )
1000 0.00 50.000 0.005 0.000 {built-in method bisectjeft}
1 0.000 0.000 22.700 22.700 {built-in method exec}
1000 0.001 0.000 0.001 0.000 {built-in method len}
1000 15.149 0.015 22.196 0.022 {built-in method sorted}
5129003 function calls in 12.987 CPU seconds
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.205 0.205 12.987 12.987 :l ( )
1000 6.472 0.006 12.782 0.013 MyModule.py:36(function_c)
5128000 6.311 0.000 6.311 0.000 MyModule.py:37( )
1 0.000 0.000 12.987 12.987 {built-in method exec}
ncalls (“調用的次數”)列列出了對指定函數(在filename:lineno(function)中列出) 的調用次數。回想一下我們重複了 1000次調用，因此必須將這個次數記住。tottime (「總的時間」)列列出了某個函數中耗費的總時間，但是排除了函數調用的其他函數內部花費的時間。第一個percall列列出了對函數的每次調用的平均時間(tottime // ncalls)。 cumtime (“累積時間”)列出了在函數中耗費的時間，並且包含了函數調用的其他函數內部花費的時間。第二個percall列列出了對函數的每次調用的平均時間，包括其調用的函數耗費的時間。
這種輸出信息要比timeit模塊的原始計時信息富有啟發意義的多。我們立即可以發現，function_b()與function_c()使用了被調用5000次以上的生成器，使得它們的速度至少要比function_a()慢10倍以上。並且，function_b()調用了更多通常意義上的函數，包括調用內置的sorted()函數，這使得其幾乎比function_c()還要慢兩倍。當然,timeit() 模塊提供了足夠的信息來查看計時上存在的這些差別，但cProfile模塊允許我們了解為什麼會存在這些差別。正如timeit模塊允許對代碼進行計時而又不需要對其監控一樣，cProfile模塊也可以做到這一點。然而，從命令行使用cProfile模塊時，我們不能精確地指定要執行的 是什麼——而只是執行給定的程序或模塊，並報告所有這些的計時結果。需要使用的 命令行是python3 -m cProfile programOrModule.py,產生的輸出信息與前面看到的一 樣，下面給出的是輸出信息樣例，格式上進行了一些調整，並忽略了大多數行：
10272458 function calls (10272457 primitive calls) in 37.718 CPU secs
ncalls tottime percall cumtime percall filename:lineno(function)
10.000 0.000 37.718 37.718 :1 ( )
10.719 0.719 37.717 37.717 :12( )
1000 1.569 0.002 1.569 0.002 :20(function_a)
1000 0.011 0.000 22.560 0.023 :27(function_b)
5128000 7.078 0.000 7.078 0.000 :28( )
1000 6.510 0.007 12.825 0.013 :35(function_c)
5128000 6.316 0.000 6.316 0.000 :36( )
在cProfile術語學中，原始調用指的就是非遞歸的函數調用。
以這種方式使用cProfile模塊對於識別值得進一步研究的區域是有用的。比如，這裡 我們可以清晰地看到function_b()需要耗費更長的時間，但是我們怎樣獲取進一步的詳細資料？我們可以使用cProfile.run(“function_b()”)來替換對function_b()的調用。或者可以保存完全的profile數據並使用pstats模塊對其進行分析。要保存profile,就必須對命令行進行稍許修改:python3 -m cProfile -o profileDataFile programOrModule.py。 之後可以對 profile 數據進行分析，比如啟動IDLE,導入pstats模塊，賦予其已保存的profileDataFile,或者也可以在控制台中互動式地使用pstats。
下面給出的是一個非常短的控制台會話實例，為使其適合頁面展示，進行了適當調整，我們自己的輸入則以粗體展示：
$ python3 -m cProfile -o profile.dat MyModule.py
$ python3 -m pstats
Welcome to the profile statistics browser.
% read profile.dat
profile.dat% callers function_b
Random listing order was used
List reduced from 44 to 1 due to restriction
Function was called by…
ncalls tottime cumtime
:27(function_b) – 1000 0.011 22.251 :12( )
profile.dat% callees function_b
Random listing order was used
List reduced from 44 to 1 due to restriction
Function called…
ncalls tottime cumtime
:27(function_b)-
1000 0.005 0.005 built-in method bisectJeft
1000 0.001 0.001 built-in method len
1000 1 5.297 22.234 built-in method sorted
profile.dat% quit
輸入help可以獲取命令列表，help後面跟隨命令名可以獲取該命令的更多信息。比如, help stats將列出可以賦予stats命令的參數。還有其他一些可用的工具，可以提供profile數據的圖形化展示形式，比如 RunSnakeRun (), 該工具需要依賴於wxPython GUI庫。
使用timeit與cProfile模塊，我們可以識別出我們自己代碼中哪些區域會耗費超過預期的時間；使用cProfile模塊，還可以準確算岀時間消耗在哪裡。
以上內容部分摘自視頻課程 05後端編程Python-19調試、測試和性能調優(下) ，更多實操示例請參照視頻講解。跟著張員外講編程，學習更輕鬆，不花錢還能學習真本領。
原創文章，作者：小藍，如若轉載，請註明出處：https://www.506064.com/zh-tw/n/297431.html
微信掃一掃 
支付寶掃一掃 