使用 cProfile 和 PyPy 模块优化 Python 代码：完整指南

使用 cprofile 和 pypy 模块优化 python 代码：完整指南

介绍

作为 python 开发人员，我们通常先关注如何让代码正常运行，然后再考虑优化。然而，在处理大规模应用程序或性能关键型代码时，优化变得至关重要。在这篇文章中，我们将介绍两个可用于优化 python 代码的强大工具：cprofile 模块和 pypy 解释器。

在这篇文章结束时，您将学到：

如何使用 cprofile 模块识别性能瓶颈。
如何优化代码以提高速度。
如何使用 pypy 通过即时 (jit) 编译进一步加速您的 python 程序。

为什么性能优化很重要

python 以其易用性、可读性和庞大的库生态系统而闻名。但由于其解释性质，它也比 c 或 java 等其他语言慢。因此，了解如何优化 python 代码对于性能敏感的应用程序（例如机器学习模型、实时系统或高频交易系统）至关重要。

优化通常遵循以下步骤：

分析您的代码以了解瓶颈所在。
优化代码效率低下的区域。
在更快的解释器（如 pypy）中运行优化的代码，以实现最大性能。

现在，让我们开始分析您的代码。

步骤 1：使用 cprofile 分析您的代码

什么是cprofile？

cprofile 是一个用于性能分析的内置 python 模块。它跟踪代码中每个函数执行所需的时间，这可以帮助您识别导致速度变慢的函数或代码部分。

从命令行使用 cprofile

分析脚本的最简单方法是从命令行运行 cprofile。例如，假设您有一个名为 my_script.py 的脚本：

python -m cprofile -s cumulative my_script.py

说明：

-m cprofile：将 cprofile 模块作为 python 标准库的一部分运行。
-scumulative：按每个函数花费的累积时间对分析结果进行排序。
my_script.py：您的 python 脚本。

这将生成您的代码花费时间的详细分类。

示例：分析 python 脚本

让我们看一个递归计算斐波那契数的基本 python 脚本：

def fibonacci(n):
    if n 



<p>使用 cprofile 运行此脚本：<br></p>

python -m cprofile -s cumulative fibonacci_script.py





  
  
  了解 cprofile 输出


运行 cprofile 后，您将看到如下内容：


   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     8320    0.050    0.000    0.124    0.000 fibonacci_script.py:3(fibonacci)




每列提供关键性能数据：

ncalls：调用函数的次数。
tottime：函数花费的总时间（不包括子函数）。
cumtime：函数（包括子函数）所花费的累计时间。
每次调用：每次调用的时间。

如果您的斐波那契函数花费太多时间，此输出将告诉您优化工作的重点。

分析代码的特定部分

如果您只想分析特定部分，也可以在代码中以编程方式使用 cprofile。

import cprofile

def fibonacci(n):
    if n 



<h3>
  
  
  第 2 步：优化您的 python 代码
</h3>

<p>使用 cprofile 确定代码中的瓶颈后，就可以进行优化了。</p>

<h4>
  
  
  常见的python优化技术
</h4>

<ol>
<li>
<strong>使用内置函数</strong>：sum()、min() 和 max() 等内置函数在 python 中经过高度优化，通常比手动实现的循环更快。</li>
</ol><p>示例：<br></p>

   # before: custom sum loop
   total = 0
   for i in range(1000000):
       total += i

   # after: using built-in sum
   total = sum(range(1000000))






避免不必要的函数调用：函数调用会产生开销，尤其是在循环内。尽量减少多余的调用。
示例：


   # before: unnecessary repeated calculations
   for i in range(1000):
       print(len(my_list))  # len() is called 1000 times

   # after: compute once and reuse
   list_len = len(my_list)
   for i in range(1000):
       print(list_len)






memoization：对于递归函数，您可以使用memoization来存储昂贵计算的结果，以避免重复工作。
示例：


   from functools import lru_cache

   @lru_cache(maxsize=none)
   def fibonacci(n):
       if n 



<p>通过存储每个递归调用的结果，大大加快了斐波那契计算的速度。</p>

<h3>
  
  
  第 3 步：使用 pypy 进行即时编译
</h3>

<h4>
  
  
  什么是 pypy？
</h4>

<p>pypy 是另一种 python 解释器，它使用即时 (jit) 编译来加速 python 代码。 pypy 将频繁执行的代码路径编译为机器代码，对于某些任务来说，它比标准 cpython 解释器快得多。</p>

<h4>
  
  
  安装 pypy
</h4>

<p>您可以使用包管理器安装 pypy，例如 <a style="color:#f60; text-decoration:underline;" href="https://www.php.cn/zt/15718.html" target="_blank">linux</a> 上的 apt 或 <a style="color:#f60; text-decoration:underline;" href="https://www.php.cn/zt/18451.html" target="_blank">macos</a> 上的 brew：<br></p>

# on ubuntu
sudo apt-get install pypy3

# on macos (using homebrew)
brew install pypy3





  
  
  使用 pypy 运行 python 代码


安装 pypy 后，您可以用它代替 cpython 运行脚本：


pypy3 my_script.py





  
  
  为什么使用 pypy？

pypy 非常适合 cpu 密集型任务，其中程序将大部分时间花在计算上（例如循环、递归函数、数字运算）。
pypy 的 jit 编译器优化了最常执行的代码路径，这可以在不更改任何代码的情况下实现显着的加速。

第 4 步：结合 cprofile 和 pypy 实现最大优化

现在，让我们结合这些工具来全面优化您的 python 代码。

示例工作流程

分析您的代码使用 cprofile 来识别瓶颈。
使用我们讨论的技术（内置、记忆、避免不必要的函数调用）优化您的代码。
使用 pypy 运行优化的代码以实现额外的性能改进。

让我们回顾一下斐波那契示例并将所有内容放在一起。

from functools import lru_cache

@lru_cache(maxsize=none)
def fibonacci(n):
    if n 



<p>使用记忆化优化代码后，使用 pypy 运行它以进一步提高性能：<br></p>

pypy3 fibonacci_script.py





  
  
  结论


通过利用 cprofile 和 pypy，您可以极大地优化您的 python 代码。使用 cprofile 来识别和解决代码中的性能瓶颈。然后，使用 pypy 通过 jit 编译进一步提高程序的执行速度。

总结：


使用 cprofile 分析您的代码以了解性能瓶颈。
应用 python 优化技术，例如使用内置函数和记忆化。
在 pypy 上运行优化后的代码以获得更好的性能。
通过这种方法，您可以使 python 程序运行得更快、更高效，特别是对于 cpu 密集型任务。

与我联系：
github

领英

以上就是使用 cProfile 和 PyPy 模块优化 Python 代码：完整指南的详细内容，更多请关注其它相关文章！