Есть ли какой-нибудь простой способ проверить скрипт python?

Взгляните на timeit, профилировщик python и pycallgraph . Также не забудьте взглянуть на комментарий ниже nikiccупоминающий "SnakeViz". Это дает вам еще одну визуализацию данных профилирования, которая может быть полезной.

раз все

def test():
    """Stupid test function"""
    lst = []
    for i in range(100):
        lst.append(i)

if __name__ == '__main__':
    import timeit
    print(timeit.timeit("test()", setup="from __main__ import test"))

По сути, вы можете передать ему код python в виде строкового параметра,и он будет выполняться в указанное количество раз и выводит время выполнения. Важные биты из документов:

timeit.timeit(stmt='pass', setup='pass', timer=<default timer>, number=1000000)

Создайте экземпляр Timerс заданной инструкцией, setup функция кода и таймера и запустить ее timeit

Номер времени выполнения основного утверждения. При этом выполняется настройка оператор один раз, а затем возвращает время, необходимое для выполнения основного утверждение несколько раз, измеряется в секундах как поплавок. Аргумент - это число раз, прошедших через цикл, по умолчанию равное единице. миллион. Главная инструкция, инструкция установки и функция таймера подлежащие использованию передаются конструктору.

Примечание

По умолчанию Timer.timeit(number=1000000)временно отключает timeitво время хронометража. Преимущество такого подхода заключается в том, что это делает независимые тайминги более сопоставимыми. Этот недостаток является что GC может быть важным компонентом работы измеряемая функция. Если это так, то GC может быть повторно включен в качестве первого оператор в строке настройки. Например:

garbage collection

Профилирование

Профилирование даст вам гораздо более детальное представление о том, что происходит. Вот "мгновенный пример" из официальных документов:

timeit.Timer('for i in xrange(10): oct(i)', 'gc.enable()').timeit()

Что даст вам:

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

Оба этих модуля должны дать вам представление о том, где искать узкие места.

Также, чтобы разобраться с выводом 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) , загляните в этот пост

пикаллграф

Этот модуль использует graphviz для создания callgraphs, таких как:

Вы можете легко увидеть, какие пути использовали больше всего времени по цвету. Вы можете либо создать их с помощью PYCALLGRAPH API, либо с помощью упакованного сценария:

profile

Хотя накладные расходы довольно значительны. Поэтому для уже давно запущенных процессов создание графика может занять некоторое время.

Источник

Взгляните на нос и на один из его плагинов, этот в частности.

После установки nose-это скрипт в вашем пути, и вы можете вызвать его в каталоге, который содержит некоторые скрипты python:

$: nosetests

Это будет выглядеть во всех файлах python в текущем каталоге и выполнит любую функцию, которую он распознает как тест: например, он распознает любую функцию со словом test_ в ее имени как тест.

Так что вы можете просто создать скрипт python под названием test_yourfunction.py и напишите в нем что-нибудь вроде этого:

$: cat > test_yourfunction.py

def test_smallinput():
    yourfunction(smallinput)

def test_mediuminput():
    yourfunction(mediuminput)

def test_largeinput():
    yourfunction(largeinput)

Тогда тебе придется бежать.

$: nosetest --with-profile --profile-stats-file yourstatsprofile.prof testyourfunction.py

и чтобы прочитать файл профиля, используйте эту строку python:

python -c "import hotshot.stats ; stats = hotshot.stats.load('yourstatsprofile.prof') ; stats.sort_stats('time', 'calls') ; stats.print_stats(200)"

Обычно я быстро time ./script.pyчтобы посмотреть, сколько времени это займет. Это не показывает вам память, хотя, по крайней мере, не по умолчанию. Вы можете использовать /usr/bin/time -v ./script.pyчтобы получить много информации, включая использование памяти.

Я использую простой декоратор, чтобы время func

def st_time(func):
    """
        st decorator to calculate the total time of a func
    """

    def st_func(*args, **keyArgs):
        t1 = time.time()
        r = func(*args, **keyArgs)
        t2 = time.time()
        print "Function=%s, Time=%s" % (func.__name__, t2 - t1)
        return r

    return st_func

Модуль timeitбыл медленным и странным, поэтому я написал это:

def timereps(reps, func):
    from time import time
    start = time()
    for i in range(0, reps):
        func()
    end = time()
    return (end - start) / reps

Пример:

import os
listdir_time = timereps(10000, lambda: os.listdir('/'))
print "python can do %d os.listdir('/') per second" % (1 / listdir_time)

Для меня это говорит::

python can do 40925 os.listdir('/') per second

Это примитивный вид бенчмаркинга, но он достаточно хорош.

Профилировщик памяти для всех ваших потребностей в памяти.

https://pypi.python.org/pypi/memory_profiler

Выполнить пункт Установить:

pip install memory_profiler

Импорт библиотеки:

import memory_profiler

Добавьте декоратора к элементу, который вы хотите профилировать:

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

if __name__ == '__main__':
    my_func()

Выполните код:

python -m memory_profiler example.py

Получите результат:

 Line #    Mem usage  Increment   Line Contents
 ==============================================
 3                           @profile
 4      5.97 MB    0.00 MB   def my_func():
 5     13.61 MB    7.64 MB       a = [1] * (10 ** 6)
 6    166.20 MB  152.59 MB       b = [2] * (2 * 10 ** 7)
 7     13.61 MB -152.59 MB       del b
 8     13.61 MB    0.00 MB       return a

Примеры приведены в документах, связанных выше.

Будьте осторожны timeitочень медленный, это займет 12 секунд на моем среднем процессоре, чтобы просто инициализировать (или, может быть, запустить функцию). вы можете проверить этот принятый ответ

def test():
    lst = []
    for i in range(100):
        lst.append(i)

if __name__ == '__main__':
    import timeit
    print(timeit.timeit("test()", setup="from __main__ import test")) # 12 second

для простой вещи я буду использовать timeвместо этого, на моем ПК он возвращает результат 0.0

import time

def test():
    lst = []
    for i in range(100):
        lst.append(i)

t1 = time.time()

test()

result = time.time() - t1
print(result) # 0.000000xxxx

Простой способ быстро протестировать любую функцию-Использовать этот синтаксис : %timeit my_code

Например :

%timeit a = 1

13.4 ns ± 0.781 ns per loop (mean ± std. dev. of 7 runs, 100000000 loops each)

Если вы не хотите писать шаблонный код для timeit и легко анализировать результаты, взгляните на benchmarkit . Кроме того, он сохраняет историю предыдущих запусков, так что легко сравнить одну и ту же функцию в ходе разработки.

# pip install benchmarkit

from benchmarkit import benchmark, benchmark_run

N = 10000
seq_list = list(range(N))
seq_set = set(range(N))

SAVE_PATH = '/tmp/benchmark_time.jsonl'

@benchmark(num_iters=100, save_params=True)
def search_in_list(num_items=N):
    return num_items - 1 in seq_list

@benchmark(num_iters=100, save_params=True)
def search_in_set(num_items=N):
    return num_items - 1 in seq_set

benchmark_results = benchmark_run(
   [search_in_list, search_in_set],
   SAVE_PATH,
   comment='initial benchmark search',
)  

Выводит на терминал и возвращает список справочников с данными для последнего запуска. Точки входа командной строки также доступны.

При изменении N=1000000и повторном запуске

snakevizinteractive viewer для cProfile

https://github.com/jiffyclub/snakeviz/

cProfile был упомянут на https://stackoverflow.com/a/1593034/895245 и змеевиз был упомянут в комментарии, но я хотел бы подчеркнуть это далее.

Очень трудно отладить производительность программы, просто глядя На cprofilecprofile / pstats, потому что они могут только суммировать время на функцию из коробки.

Однако, что нам действительно нужно в целом, так это увидеть вложенное представление, содержащее трассировки стека каждого вызова, чтобы действительно легко найти основные узкие места.

И это именно то, что snakeviz предоставляет через свой стандартный вид "сосульки".

Сначала вы должны сбросить данные cProfile в двоичный файл, а затем вы можете snakeviz на этом

pip install -u snakeviz
python -m cProfile -o results.prof myscript.py
snakeviz results.prof

Это выводит URL-адрес stdout, который вы можете открыть в своем браузере, который содержит желаемый вывод, который выглядит следующим образом:

и тогда вы сможете:

• наведите курсор на каждое поле, чтобы увидеть полный путь к файлу, содержащему функцию
• нажмите на поле, чтобы это поле появилось в верхней части, чтобы увеличить масштаб.

Более профильный вопрос: Как вы можете профилировать скрипт Python?