Python性能分析

https://www.cnblogs.com/lrysjtu/p/5651816.html
https://www.cnblogs.com/cbscan/articles/3341231.html

使用ipdb

使用profile

import profile
def profileTest():
   Total =1;
   for i in range(10):
       Total=Total*(i+1)
       print Total
   return Total
if __name__ == "__main__":
   profile.run("profileTest()")

cProfile

python -m cProfile -s cumulative -o profile.stats test_time.py

Profile的成员函数：
enable(): 开始收集性能分析数据
disable(): 停止收集性能分析数据
create_stats(): 停止收集分析数据，并为已收集的数据创建stats对象
print_stats(): 创建stats对象并打印分析结果
dump_stats(filename): 把当前性能分析的结果写入文件(二进制格式)
runcall(func, *args, **kwargs): 收集被调用函数func的性能分析数据Stats类
pstats模块提供的Stats类可以帮助我们读取和操作stats文件（二进制格式）

cProfile

在python代码中调用cProfile

import cProfile
import re
cProfile.run('re.compile("foo|bar")')

输出为：

 197 function calls (192 primitive calls) in 0.002 seconds
Ordered by: standard name
ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     1    0.000    0.000    0.001    0.001 <string>:1(<module>)
     1    0.000    0.000    0.001    0.001 re.py:212(compile)
     1    0.000    0.000    0.001    0.001 re.py:268(_compile)
     1    0.000    0.000    0.000    0.000 sre_compile.py:172(_compile_charset)
     1    0.000    0.000    0.000    0.000 sre_compile.py:201(_optimize_charset)
     4    0.000    0.000    0.000    0.000 sre_compile.py:25(_identityfunction)
   3/1    0.000    0.000    0.000    0.000 sre_compile.py:33(_compile)

从分析报告结果中我们可以得到很多信息：

• 整个过程一共有197个函数调用被监控，其中192个是原生调用（即不涉及递归调用）
• 总共执行的时间为0.002秒
• 结果列表中是按照标准名称进行排序，也就是按照字符串的打印方式（数字也当作字符串）
  在列表中：
• ncalls表示函数调用的次数（有两个数值表示有递归调用，总调用次数/原生调用次数）
• tottime是函数内部调用时间（不包括他自己调用的其他函数的时间）
• percall等于 tottime/ncalls
• cumtime累积调用时间，与tottime相反，它包含了自己内部调用函数的时间
• 最后一列，文件名，行号，函数名

参考资料

http://python.jobbole.com/87621/

Python性能优化

pypy，numba，cython
ctypes，swig
cffi

参考资料

http://pypy.org/
ctypes官方文档：https://docs.python.org/3/library/ctypes.html

原文地址：https://www.cnblogs.com/weiyinfu/p/10734231.html