性能测试

编写程序完毕后，一般需要考虑下其时间复杂度和空间复杂度。随着内存的增大以及服务器计算能力的提升，大多数情况是不会遇到时间不满足要求，空间不满足要求的问题，而对于某些特殊场景下就需要考虑程序运行耗费时间，比如服务接口时候需要考虑请求响应速度，对于移动设备而言，要考虑内存空间大小。在python中，也提供了一些性能测试的标准库。

timeit

timeit，用于测量少量代码片段的执行时间。基本算法思路是执行较多的次数，从中选取最小平均值。

• 将代码循环执行多次（number， -n），以便有足够长的统计时间；
• 将上述步骤循环执行多次（repeat， -r）， 获取足够多的统计采样；
• 从上述步骤的结果中选取耗时最短的采样，计算单词平均值。

python -m timeit -n 10 -r 3 -s "import time" "time.sleep"

10 loops, best of 3: 1 sec per loop

上述命令集合了两个过程：

• timeit.timeit
• timeit.repeat

---

profile

profile模块用于测量执行过程中函数的执行时间和调用次数

def sum(m):
	n = 0
	for i in range(m):
		n += i
	return n

def main():
	for i in range(3):
		sum(1000000)
	
	n = 0
	for i in range(1000000):
		n += i

if __name__ == "__main__":
	main()

终端执行

python -m cProfile -s cumtime test.py

其中参数意思：

• ncalls: 被调用的次数
• tottime: 总执行时间
• precall：tottime / ncalls
• cumtime： 执行总耗时， 包括调用子函数
• percall：cumtime / ncalls

---

line_profiler

line_profiler 可以对函数内的代码逐行进行测试

首先安装：pip install line_profiler

def test(n):
    a = []
    for i in range(n):
        a.extend([1] * (10 ** 6))
    return a

def run():
    a = test(2)
    return a

• Line: 函数内源码的行号
• Hits：执行次数
• Time：总计执行次数
• Per Hit： 单词执行的平均时间
• % Time： 占总耗时的百分比
• Line Contents： 源代码

---

memory_profiler

memory_profiler 用于逐行分析代码内存占用。
首先安装：pip install memory_profiler

@profile

def test():
    a = [1] * (10 ** 6)
    b = [2] * (2 * 10 ** 7)
    del b
    return a
    

if __name__ == "__main__":
    test()

python -m memory_profiler memory_test.py

• Mem usage: 执行程序后，解释器内存使用总量
• Increment: 相对于上一行的内存使用增量；

---

参考

• timeit
• profile
• line_profiler
• memory_profiler