我的代码的哪些部分运行时间最长、内存最多？我怎样才能找到需要改进的地方？
在开发过程中，我很确定我们大多数人都会想知道这一点，在本文中总结了一些方法来监控 python 代码的时间和内存使用情况。
本文将介绍4种方法，前3种方法提供时间信息，第4个方法可以获得内存使用情况。
time 模块%%time 魔法命令line_profilermemory_profilertime 模块这是计算代码运行所需时间的最简单、最直接(但需要手动开发)的方法。他的逻辑也很简单:记录代码运行之前和之后的时间，计算时间之间的差异。这可以实现如下:
import time start_time = time.time() result = 5+2 end_time = time.time() print('time taken = {} sec'.format(end_time - start_time))
下面的例子显示了for循环和列表推导式在时间上的差异:
import time # for loop vs. list comp list_comp_start_time = time.time() result = [i for i in range(0,1000000)] list_comp_end_time = time.time() print('time taken for list comp = {} sec'.format(list_comp_end_time - list_comp_start_time)) result=[] for_loop_start_time = time.time() for i in range(0,1000000): result.append(i) for_loop_end_time = time.time() print('time taken for for-loop = {} sec'.format(for_loop_end_time - for_loop_start_time)) list_comp_time = list_comp_end_time - list_comp_start_time for_loop_time = for_loop_end_time - for_loop_start_time print('difference = {} %'.format((for_loop_time - list_comp_time)/list_comp_time * 100))
我们都知道for会慢一些。
time taken for list comp = 0.05843973159790039 sec time taken for for-loop = 0.06774497032165527 sec difference = 15.922795107582594 %
%%time 魔法命令魔法命令是ipython内核中内置的方便命令，可以方便地执行特定的任务。一般情况下都实在jupyter notebook种使用。
在单元格的开头添加%%time ，单元格执行完成后，会输出单元格执行所花费的时间。
%%time def convert_cms(cm, unit='m'): ''' function to convert cm to m or feet ''' if unit == 'm': return cm/100 return cm/30.48 convert_cms(1000)
结果如下：
cpu times: user 24 µs, sys: 1 µs, total: 25 µs wall time: 28.1 µs out[8]: 10.0
这里的cpu times是cpu处理代码所花费的实际时间，wall time是事件经过的真实时间，在方法入口和方法出口之间的时间。
line_profiler前两个方法只提供执行该方法所需的总时间。通过时间分析器我们可以获得函数中每一个代码的运行时间。
这里我们需要使用line_profiler包。使用pip install line_profiler。
import line_profiler def convert_cms(cm, unit='m'): ''' function to convert cm to m or feet ''' if unit == 'm': return cm/100 return cm/30.48 # load the profiler %load_ext line_profiler # use the profiler's magic to call the method %lprun -f convert_cms convert_cms(1000, 'f')
输出结果如下：
timer unit: 1e-06 s total time: 4e-06 s file: /var/folders/y_/ff7_m0c146ddrr_mctd4vpkh0000gn/t/ipykernel_22452/382784489.py function: convert_cms at line 1 line # hits time per hit % time line contents ============================================================== 1 def convert_cms(cm, unit='m'): 2 ''' 3 function to convert cm to m or feet 4 ''' 5 1 2.0 2.0 50.0 if unit == 'm': 6 return cm/100 7 1 2.0 2.0 50.0 return cm/30.48
可以看到line_profiler提供了每行代码所花费时间的详细信息。
line contents :运行的代码hits:行被执行的次数time:所花费的总时间(即命中次数x每次命中次数)per hit:一次执行花费的时间，也就是说 time = hits x per hit% time:占总时间的比例可以看到，每一行代码都详细的分析了时间，这对于我们分析时间相当的有帮助。
memory_profiler与line_profiler类似，memory_profiler提供代码的逐行内存使用情况。
要安装它需要使用pip install memory_profiler。我们这里监视convert_cms_f函数的内存使用情况。
from conversions import convert_cms_f import memory_profiler %load_ext memory_profiler %mprun -f convert_cms_f convert_cms_f(1000, 'f')
convert_cms_f函数在单独的文件中定义，然后导入。结果如下：
line # mem usage increment occurrences line contents ============================================================= 1 63.7 mib 63.7 mib 1 def convert_cms_f(cm, unit='m'): 2 ''' 3 function to convert cm to m or feet 4 ''' 5 63.7 mib 0.0 mib 1 if unit == 'm': 6 return cm/100 7 63.7 mib 0.0 mib 1 return cm/30.48
memory_profiler 提供对每行代码内存使用情况的详细了解。
这里的1 mib (mebibyte) 几乎等于 1mb。1 mib  = 1.048576 1mb
但是memory_profiler 也有一些缺点：它通过查询操作系统内存，所以结果可能与 python 解释器略有不同，如果在会话中多次运行 %mprun，可能会注意到增量列报告所有代码行为 0.0 mib。这是因为魔法命令的限制导致的。
虽然memory_profiler有一些问题，但是它就使我们能够清楚地了解内存使用情况，对于开发来说是一个非常好用的工具。
总结虽然python并不是一个以执行效率见长的语言，但是在某些特殊情况下这些命令对我们还是非常有帮助的。
以上就是监控 python 内存使用情况和代码执行时间的详细内容。