雖然執行速度慢是 python 與生俱來的特點，大多數時候我們用 python 就意味著放棄對效能的追求。但是，就算是用純 python 完成同乙個任務，老手寫出來的**可能會比菜鳥寫的**塊幾倍，甚至是幾十倍（這裡不考慮演算法的因素，只考慮語言方面的因素）。很多時候，我們將自己的**執行緩慢地原因歸結於python本來就很慢，從而心安理得地放棄深入**。
但是，事實真的是這樣嗎？面對python**，你有分析下面這些問題嗎：
程式執行的速度如何？
程式執行時間的瓶頸在**？
能否稍加改進以提高執行速度呢？
為了更好了解python程式，我們需要一套工具，能夠記錄**執行時間，生成乙個效能分析報告，方便徹底了解**，從而進行針對性的優化（本篇側重於**效能分析，不關注如何優化）。
誰快誰慢
假設有乙個字串，想將裡面的空格替換為字元『-』，用python實現起來很簡單，下面是四種方案：
def slow_replace():
replace_str = ""
for i, char in enumerate(orignal_str):
c = char if char != " " else "-"
replace_str += c
return replace_str
def fast_replace():
return "-".join(orignal_str.split())
def fastest_replace():
return orignal_str.replace(" ", "-")
這四種方案的效率如何呢，哪種方案比較慢呢？這是乙個問題！
時間斷點
最直接的想法是在開始 replace 函式之前記錄時間，程式結束後再記錄時間，計算時間差即為程式執行時間。python提供了模組 time，其中 time.clock() 在unix/linux下返回的是cpu時間(浮點數表示的秒數)，win下返回的是以秒為單位的真實時間(wall-clock time)。
由於替換函式耗時可能非常短，所以這裡考慮分別執行 100000次，然後檢視不同函式的效率。我們的效能分析輔助函式如下：
def _time_analyze_(func):
from time import clock
start = clock()
for i in range(exec_times):
func()
finish = clock()
print " s".format(func.__name__ + ":", finish - start)
這樣就可以了解上面程式的執行時間情況：
第一種方案耗時是第四種的 45 倍多，大跌眼鏡了吧！同樣是 python**，完成一樣的功能，耗時可以差這麼多。
為了避免每次在程式開始、結束時插入時間斷點，然後計算耗時，可以考慮實現乙個上下文管理器，具體**如下：
class timer(object):
def __init__(self, verbose=false):
self.verbose = verbose
def __enter__(self):
self.start = clock()
return self
def __exit__(self, *args):
self.end = clock()
self.secs = self.end - self.start
self.msecs = self.secs * 1000 # millisecs
if self.verbose:
print 'elapsed time: %f ms' % self.msecs
使用時只需要將要測量時間的**段放進 with 語句即可，具體的使用例子放在 gist 上。
timeit
上面手工插斷點的方法十分原始，用起來不是那麼方便，即使用了上下文管理器實現起來還是略顯笨重。還好 python 提供了timeit模組，用來測試**塊的執行時間。它既提供了命令列介面，又能用於**檔案之中。
命令列介面
命令列介面可以像下面這樣使用：
$ python -m timeit -n 1000000 '"i like to reading.".replace(" ", "-")'
1000000 loops, best of 3: 0.253 usec per loop
$ python -m timeit -s 'orignal_str = "i like to reading."' '"-".join(orignal_str.split())'
1000000 loops, best of 3: 0.53 usec per loop
具體引數使用可以用命令 python -m timeit -h 檢視幫助。使用較多的是下面的選項：
-s s, –setup=s: 用來初始化statement中的變數，只執行一次；
-n n, –number=n: 執行statement的次數，缺省會選擇乙個合適的數字；
-r n, –repeat=n: 重複測試的次數，預設為3；
python 介面
可以用下面的程式測試四種 replace函式的運**況（完整的測試程式可以在 gist 上找到）：
def _timeit_analyze_(func):
from timeit import timer
t1 = timer("%s()" % func.__name__, "from __main__ import %s" % func.__name__)
print " s".format(func.__name__ + ":", t1.timeit(exec_times))
執行結果如下：
python的timeit提供了 timeit.timer() 類，類構造方法如下：
timer(stmt='pass', setup='pass', timer=)
其中：stmt: 要計時的語句或者函式；
setup: 為stmt語句構建環境的匯入語句；
timer: 基於平台的時間函式(timer function)；
timer()類有三個方法：
timeit(number=1000000): 返回stmt執行number次的秒數(float)；
repeat(repeat=3, number=1000000): repeat為重複整個測試的次數，number為執行stmt的次數，返回以秒記錄的每個測試迴圈的耗時列表；
print_exc(file=none): 列印stmt的跟蹤資訊。
此外，timeit 還提供了另外三個函式方便使用，引數和 timer 差不多。
timeit.timeit(stmt='pass', setup='pass', timer=, number=1000000)
timeit.repeat(stmt='pass', setup='pass', timer=, repeat=3, number=1000000)
timeit.default_timer()
profile
以上方法適用於比較簡單的場合，更複雜的情況下，可以用標準庫裡面的profile或者cprofile，它可以統計程式裡每乙個函式的執行時間，並且提供了視覺化的報表。大多情況下，建議使用cprofile，它是profile的c實現，適用於執行時間長的程式。不過有的系統可能不支援cprofile，此時只好用profile。
可以用下面程式測試 timeit_profile() 函式執行時間分配情況。
import cprofile
from time_profile import *
cprofile.run("timeit_profile()")
這 樣的輸出可能會很長，很多時候我們感興趣的可能只有耗時最多的幾個函式，這個時候先將cprofile 的輸出儲存到診斷檔案中，然後用 pstats 定製更加有好的輸出（完整**在 gist 上）。
cprofile.run("timeit_profile()", "timeit")
p = pstats.stats('timeit')
p.sort_stats('time')
p.print_stats(6)
如果覺得 pstas 使用不方便，還可以使用一些圖形化工具，比如 gprof2dot 來視覺化分析 cprofile 的診斷結果。
vprof
vprof 也是乙個不錯的視覺化工具，可以用來分析 python 程式執行時間情況。
line_profiler
上面的測試最多統計到函式的執行時間，很多時候我們想知道函式裡面每一行**的執行效率，這時候就可以用到 line_profiler 了。
line_profiler 的使用特別簡單，在需要監控的函式前面加上 @profile 裝飾器。然後用它提供的 kernprof -l -v [source_code.py] 行進行診斷。下面是乙個簡單的測試程式 line_profile.py：
from time_profile import slow_replace, slowest_replace
for i in xrange(10000):
slow_replace()
slowest_replace()
輸出每列的含義如下：
line #: 行號
hits: 當前行執行的次數.
time: 當前行執行耗費的時間，單位為 「timer unit:」
per hit: 平均執行一次耗費的時間.
% time: 當前行執行時間佔總時間的比例.
line contents: 當前行的**
line_profiler 執行時間的估計不是特別精確，不過可以用來分析當前函式中哪些行是瓶頸。
python效能分析
python的效能分析工具cprofile使用起來比較簡單，如下 python m cprofile o profile.txt py arg1 arg2 其中，py是要分析的python程式入口函式，後面跟的就是對應的引數了。生成的profile.txt是儲存的profile資訊，可以用下面的py...
Python學習 python效能分析
python profiler效能分析 一種方法 if name main import profile profile.run foo 另一種命令列方法 python m profile prof1.py profile的統計結果分為ncalls,tottime,percall,cumtime,p...
python 效能分析profile
如果希望對程式進行優化，那麼效能分析是必不可少的。標準庫中包含了乙個叫profile的模組，使用起來非常簡單 importprofile,my math profile.run my math.square 100 只需要執行該模組的run方法，需要注意的是引數為字串。即可得到如下結果 4 func...