Python性能分析与优化 阅读笔记
性能分析软件有两类方法论:基于事件的性能分析(event-based profiling)和统计式性能分析(statistical profiling)。
- 基于事件的性能分析器(event-based profiler,也称为轨迹性能分析器,tracing profiler)是通过收集程序执行过程中的具体事件进行工作的。这些性能分析器会产生大量的数据。基本上,它们需要监听的事件越多,产生的数据量就越大。
- 统计式性能分析器以固定的时间间隔对程序计数器(program counter)进行抽样统计。这样做可以让开发者掌握目标程序在每个函数上消耗的时间。由于它对程序计数器进行抽样,所以数据结果是对真实值的统计近似。
优化通常被认为是一个好习惯。但是,如果违背了软件的设计原则就不好了。在开始开发一个新软件时,经常犯的错误就是过早优化(permature optimization)。如果进行了过早优化,结果可能会和原来的代码截然不同。它可能只是完整解决方案的一部分,还可能包含因优化驱动的设计决策而导致的错误。一条经验法则是,如果还没有对代码做过性能分析,优化往往不是个好主意。首先,应该集中精力完成代码,然后通过性能分析发现真正的瓶颈,最后对代码进行优化。
fib.py是一段未经任何优化的求斐波那契数列的代码(请勿吐槽这段代码，因为它实在是很糟糕)，下文将围绕这段代码进行探讨
# -*-coding:UTF-8 -*-
def fib(n):
if n <= 1:
return n
else:
return fib(n - 1) + fib(n - 2)
def fib_seq(n):
seq = []
if n > 0:
seq.extend(fib_seq(n - 1))
seq.append(fib(n))
return seq
fib_seq(20)
cProfile#
cProfile 是一种基于事件的性能分析器，它只测量CPU时间,并不关心内存消耗和其他与内存相关的信息统计。 在终端中我们可以使用
python -m cProfile fib.py -o fib.prof
来使用 cProfile 进行性能分析,结果如下
57355 function calls (65 primitive calls) in 0.012 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.012 0.012 fib.py:2(<module>)
57291/21 0.012 0.000 0.012 0.001 fib.py:2(fib)
21/1 0.000 0.000 0.012 0.012 fib.py:9(fib_seq)
21 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
20 0.000 0.000 0.000 0.000 {method 'extend' of 'list' objects}
从这个结果中可以收集到如下信息： 第一行告诉我们一共有57355个函数调用被监控,其中65个是原生(primitive)调用,这些调用不涉及递归。 ncalls 表示函数调用的次数。如果在这一列中有两个数值,就表示有递归调用。第二个数值是原生调用的次数,第一个数值是总调用次数。这个数值可以帮助识别潜在的bug (当性能分析器数值大得异乎寻常时可能就是bug),或者可能需要进行内联函数扩展(inline expansion)的位置。 tottime 是函数内部消耗的总时间(不包括调用其他函数的时间)。这列信息可以帮助找到可以进行优化的、运行时间较长的循环。 第一个percall 是 tottime 除以 ncalls ,表示一个函数每次调用的平均消耗时间。另一个 percall 是用 cumtime 除以原生调用的数量,表示到该函数调用时,每个原生调用的平均消耗时间。 cumtime 是之前所有子函数消耗时间的累计和(也包含递归调用时间)。这个数值可以帮助开发者从整体视角识别性能问题,比如算法选择错误。 filename:lineno(function) 显示了被分析函数所在的文件名、行号、函数名。
我们也可以通过 cProfile 提供的方法进行分析。
# -*-coding:UTF-8 -*-
import cProfile
def fib(n):
if n <= 1:
return n
else:
return fib(n - 1) + fib(n - 2)
def fib_seq(n):
seq = []
if n > 0:
seq.extend(fib_seq(n - 1))
seq.append(fib(n))
return seq
prof = cProfile.Profile()
prof.enable()
fib_seq(20)
prof.create_stats()
prof.dump_stats('fib.prof')
prof.print_stats()
- enable() :表示开始收集性能分析数据。
- disable() :表示停止收集性能分析数据。
- create_stats() :表示停止收集数据,并为已收集的数据创建 stats 对象。
- print_stats(sort=-1) :打印分析结果。
- dump_stats(filename) :把当前性能分析的内容写进一个文件。
- run(cmd) :用来收集命令执行的性能统计信息
- runctx(cmd, globals, locals) :收集命令执行的性能统计信息,支持两个字典参数: globals 和 locals
- runcall(func, *args, **kwargs) :收集被调用函数 func 的性能分析信息。
pstats 模块提供了Stats类,可以读取和操作stats文件(Stats类的构造器可以接收 cProfile.Profile 类型的参数,可以不用文件名称作为数据源)
import pstats
p = pstats.Stats('fib.prof')
p.print_stats()
p.print_callers()
print_callers会显示程序执行过程中调用的每个函数的调用次数、总时间和累计时间,以及文件名、行号和函数名的组合。
57355 function calls (65 primitive calls) in 0.016 seconds
Random listing order was used
ncalls tottime percall cumtime percall filename:lineno(function)
21 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
21/1 0.000 0.000 0.016 0.016 fib.py:11(fib_seq)
20 0.000 0.000 0.000 0.000 {method 'extend' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
1 0.000 0.000 0.000 0.000 /usr/lib/python2.7/cProfile.py:90(create_stats)
57291/21 0.016 0.000 0.016 0.001 fib.py:4(fib)
Random listing order was used
Function was called by...
ncalls tottime cumtime
{method 'append' of 'list' objects} <- 21 0.000 0.000 fib.py:11(fib_seq)
fib.py:11(fib_seq) <- 20/1 0.000 0.011 fib.py:11(fib_seq)
{method 'extend' of 'list' objects} <- 20 0.000 0.000 fib.py:11(fib_seq)
{method 'disable' of '_lsprof.Profiler' objects} <- 1 0.000 0.000 /usr/lib/python2.7/cProfile.py:90(create_stats)
/usr/lib/python2.7/cProfile.py:90(create_stats) <-
fib.py:4(fib) <- 57270/38 0.016 0.016 fib.py:4(fib)
21 0.000 0.016 fib.py:11(fib_seq)
这个结果表示左边的函数是被右边的函数调用的
line_profiler#
这个性能分析器和 cProfile 不同，它可以一行一行地分析函数性能。安装 line_profiler 时也会安装 kernprof 。kernprof 会创建一个性能分析器实例,并把名字动态添加到 __builtins__ 命名空间的 profile 中，所以只要在需要测试的函数加上@profile，不用import任何东西，
这里笔者使用 pip 安装一直出现NameError: name ‘profile’ is not defined， 通过
github安装则未出现这种问题
fib.py
@profile
def fib(n):
if n <= 1:
return n
else:
return fib(n - 1) + fib(n - 2)
fib(10)
运行
kernprof -l -v fib.py
-l表示动态插入profile -v 当程序运行结束后，将结果输出到标准输出，而不是到文件中 输出
Wrote profile results to fib.py.lprof
Timer unit: 1e-06 s
Total time: 0.000158 s
File: fib.py
Function: fib at line 2
Line # Hits Time Per Hit % Time Line Contents
==============================================================
2 @profile
3 def fib(n):
4 177 51 0.3 32.3 if n <= 1:
5 89 24 0.3 15.2 return n
6 else:
7 88 83 0.9 52.5 return fib(n - 1) + fib(n - 2)
Line # :表示文件中的行号。 Hits :性能分析时一行代码的执行次数。 Time :一行代码执行的总时间,由计时器的单位决定。在分析结果的最开始有一行 Timer unit ,该数值就是转换成秒的计时单位(要计算总时间,需要用 Time 数值乘以计时单位)。不同系统的计时单位可能不同。 Per hit :执行一行代码的平均消耗时间,依然由系统的计时单位决定。 % Time :执行一行代码的时间消耗占程序总消耗时间的比例。
memory_profiler#
pip install memory_profiler
pip install psutil
运行
python -m memory_profiler fib.py
输出
Filename: fib.py
Line # Mem usage Increment Line Contents
================================================
2 20.738 MiB 0.000 MiB @profile
3 def fib(n):
4 20.738 MiB 0.000 MiB if n <= 1:
5 20.738 MiB 0.000 MiB return n
6 else:
7 20.738 MiB 0.000 MiB return fib(n - 1) + fib(n - 2)
####优化 这里以fib.py为例进行优化，性能分析结果如下
57355 function calls (65 primitive calls) in 0.012 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.012 0.012 fib.py:2(<module>)
57291/21 0.012 0.000 0.012 0.001 fib.py:2(fib)
21/1 0.000 0.000 0.012 0.012 fib.py:9(fib_seq)
21 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
20 0.000 0.000 0.000 0.000 {method 'extend' of 'list' objects}
在0.012秒内, 共有57355个函数调用,其中只有65个原生调用
fib()有57291次递归调用,fib_seq()有21次递归调用
由图中可见,大部分时间都消耗在fib()的递归中了
#####step1
现在, 让我们给fib()加一个可以缓存之前计算的值的装饰器,缓存之前计算的值，这样我们可以省去不必要的重复计算。
from functools import wraps
def memoize(function):
memo = {}
@wraps(function)
def wrapper(*args):
if args in memo:
return memo[args]
else:
rv = function(*args)
memo[args] = rv
return rv
return wrapper
@memoize
def fib(n):
if n <= 1:
return n
else:
return fib(n - 1) + fib(n - 2)
def fib_seq(n):
seq = []
if n > 0:
seq.extend(fib_seq(n - 1))
seq.append(fib(n))
return seq
fib_seq(20)
性能分析结果
156 function calls (98 primitive calls) in 0.000 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.000 0.000 fib.py:1(<module>)
21 0.000 0.000 0.000 0.000 fib.py:18(fib)
21/1 0.000 0.000 0.000 0.000 fib.py:26(fib_seq)
1 0.000 0.000 0.000 0.000 fib.py:4(memoize)
59/21 0.000 0.000 0.000 0.000 fib.py:7(wrapper)
1 0.000 0.000 0.000 0.000 functools.py:17(update_wrapper)
1 0.000 0.000 0.000 0.000 functools.py:39(wraps)
5 0.000 0.000 0.000 0.000 {getattr}
21 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
20 0.000 0.000 0.000 0.000 {method 'extend' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'update' of 'dict' objects}
3 0.000 0.000 0.000 0.000 {setattr}
程序的函数调用次数下降到了156,递归调用明显减少了。运行时间也下降到了0.000秒(应该是低于测量精度了)。但当我们尝试求更多位的斐波那契数列时，会发生栈溢出。
step2#
由于 cPython 为了防止栈溢出,设置了递归保护措施，笔者执行fib_seq(989)时就会发生RuntimeError: maximum recursion depth exceeded了
理论上如果我们使用尾递归的话就不会出现这种问题了(尾递归等价迭代)，但是 cPython 并不会对尾递归进行优化
这里有一种Hack的做法 参考自
谁说Python不能尾递归优化
from functools import wraps
import types
def memoize(function):
memo = {}
@wraps(function)
def wrapper(*args):
if args in memo:
return memo[args]
else:
rv = function(*args)
memo[args] = rv
return rv
return wrapper
def fib(count, cur=0, next_=1):
if count < 1:
yield cur
else:
yield fib(count - 1, next_, cur + next_)
def tramp(gen, *args, **kwargs):
g = gen(*args, **kwargs)
while isinstance(g, types.GeneratorType):
g = g.next()
return g
def fib_seq(n):
seq = []
for i in range(0, n + 1):
seq.append(tramp(fib, i))
return seq
fib_seq(988)
性能分析结果
1471636 function calls in 0.478 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.478 0.478 fib.py:1(<module>)
979110 0.141 0.000 0.141 0.000 fib.py:19(fib)
989 0.305 0.000 0.477 0.000 fib.py:26(tramp)
1 0.000 0.000 0.478 0.478 fib.py:33(fib_seq)
490544 0.030 0.000 0.030 0.000 {isinstance}
989 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
1 0.000 0.000 0.000 0.000 {range}
但是我们未进行step2优化的 fib_seq(988) 结果为
6932 function calls (3970 primitive calls) in 0.005 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.005 0.005 fib.py:1(<module>)
989 0.001 0.000 0.001 0.000 fib.py:18(fib)
989/1 0.003 0.000 0.005 0.005 fib.py:26(fib_seq)
1 0.000 0.000 0.000 0.000 fib.py:4(memoize)
2963/989 0.001 0.000 0.001 0.000 fib.py:7(wrapper)
1 0.000 0.000 0.000 0.000 functools.py:17(update_wrapper)
1 0.000 0.000 0.000 0.000 functools.py:39(wraps)
5 0.000 0.000 0.000 0.000 {getattr}
989 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
988 0.001 0.000 0.001 0.000 {method 'extend' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'update' of 'dict' objects}
3 0.000 0.000 0.000 0.000 {setattr}
经过对比我们发现虽然我们避免了栈溢出，但是反而变慢了几个数量级
step3#
既然尾递归等价于迭代，我们直接使用迭代就好了
from functools import wraps
def memoize(function):
memo = {}
@wraps(function)
def wrapper(*args):
if args in memo:
return memo[args]
else:
rv = function(*args)
memo[args] = rv
return rv
return wrapper
@memoize
def fib(n):
a, b = 0, 1
for i in range(0, n):
a, b = b, a + b
return a
def fib_seq(n):
seq = []
for i in range(0, n + 1):
seq.append(fib(i))
return seq
fib_seq(988)
性能分析结果
3972 function calls in 0.037 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.037 0.037 fib.py:1(<module>)
989 0.034 0.000 0.036 0.000 fib.py:18(fib)
1 0.000 0.000 0.037 0.037 fib.py:26(fib_seq)
1 0.000 0.000 0.000 0.000 fib.py:4(memoize)
989 0.001 0.000 0.037 0.000 fib.py:7(wrapper)
1 0.000 0.000 0.000 0.000 functools.py:17(update_wrapper)
1 0.000 0.000 0.000 0.000 functools.py:39(wraps)
5 0.000 0.000 0.000 0.000 {getattr}
989 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
1 0.000 0.000 0.000 0.000 {method 'update' of 'dict' objects}
990 0.002 0.000 0.002 0.000 {range}
3 0.000 0.000 0.000 0.000 {setattr}
现在我们的代码比之前快了不少，是较理想的选择