基准测试和分析

在本章中，我们将学习基准测试和分析如何帮助解决性能问题.

假设我们编写了一个代码并且它也提供了所需的结果但是如果我们想要的话因为需求已经改变，所以运行此代码的速度要快一些.在这种情况下，我们需要找出代码的哪些部分正在减慢整个程序的速度.在这种情况下，基准测试和分析可能很有用.

什么是基准测试？

基准测试旨在通过与标准进行比较来评估某些内容.然而，这里出现的问题是什么是基准测试以及为什么在软件编程的情况下我们需要它.对代码进行基准测试意味着代码的执行速度和瓶颈所在.基准测试的一个主要原因是它优化了代码.

基准测试如何工作？

如果我们谈论基准测试的工作，我们需要首先将整个程序作为一个当前状态进行基准测试，然后我们可以结合微基准测试，然后将程序分解为更小的程序.为了找到我们计划中的瓶颈并进行优化.换句话说，我们可以将它理解为将大而难的问题分解为一系列更小且更容易优化它们的问题.

用于基准测试的Python模块

在Python中，我们有一个默认的基准测试模块，称为 timeit .在 timeit 模块的帮助下，我们可以在主程序中测量一小部分Python代码的性能.

示例

在以下Python脚本中，我们将导入 timeit 模块，该模块进一步测量执行两个函数所需的时间 -   functionA 和 functionB :

import timeitimport timedef functionA():   print("Function A starts the execution:")   print("Function A completes the execution:")def functionB():   print("Function B starts the execution")   print("Function B completes the execution")start_time = timeit.default_timer()functionA()print(timeit.default_timer() - start_time)start_time = timeit.default_timer()functionB()print(timeit.default_timer() - start_time)

运行上面的脚本后，我们会得到两个函数的执行时间为如下所示.

输出

Function A starts the execution:Function A completes the execution:0.0014599495514175942Function B starts the executionFunction B completes the execution0.0017024724827479076

编写我们的使用装饰器函数自己的计时器

在Python中，我们可以创建自己的计时器，它就像 timeit 模块一样.它可以在装饰器功能的帮助下完成.以下是自定义计时器的示例 :

import randomimport timedef timer_func(func):   def function_timer(*args, **kwargs):   start = time.time()   value = func(*args, **kwargs)   end = time.time()   runtime = end - start   msg = "{func} took {time} seconds to complete its execution."      print(msg.format(func = func.__name__,time = runtime))   return value   return function_timer@timer_funcdef Myfunction():   for x in range(5):   sleep_time = random.choice(range(1,3))   time.sleep(sleep_time)if __name__ == '__main__':   Myfunction()

上面的python脚本有助于导入随机时间模块.我们创建了timer_func()装饰器函数.这里面有function_timer()函数.现在，嵌套函数将在调用传入函数之前获取时间.然后它等待函数返回并获取结束时间.这样，我们终于可以让python脚本打印执行时间了.该脚本将生成如下所示的输出.

输出

Myfunction took 8.000457763671875 seconds to complete its execution.

什么是性能分析？

有时程序员想要测量一些属性，如使用内存，时间复杂度或使用关于程序的特定指令来衡量该程序的实际能力.这种关于程序的测量称为剖析.分析使用动态程序分析来进行此类测量.

在后续章节中，我们将了解用于分析的不同Python模块.

cProfile  - 内置模块

cProfile 是用于分析的Python内置模块.该模块是一个C扩展，具有合理的开销，使其适用于分析长时间运行的程序.运行后，它会记录所有功能和执行时间.它非常强大，但有时难以解释和采取行动.在下面的示例中，我们在下面的代码中使用cProfile :

示例

def increment_global():   global x   x += 1def taskofThread(lock):   for _ in range(50000):   lock.acquire()   increment_global()   lock.release()def main():   global x   x = 0   lock = threading.Lock()   t1 = threading.Thread(target=taskofThread, args=(lock,))   t2 = threading.Thread(target= taskofThread, args=(lock,))   t1.start()   t2.start()   t1.join()   t2.join()if __name__ == "__main__":   for i in range(5):      main()   print("x = {1} after Iteration {0}".format(i,x))

上面的代码保存在 thread_increment.py 文件.现在，在命令行上使用cProfile执行代码，如下所示 :

(base) D:\ProgramData>python -m cProfile thread_increment.pyx = 100000 after Iteration 0x = 100000 after Iteration 1x = 100000 after Iteration 2x = 100000 after Iteration 3x = 100000 after Iteration 4      3577 function calls (3522 primitive calls) in 1.688 seconds   Ordered by: standard name   ncalls tottime percall cumtime percall filename:lineno(function)   5 0.000 0.000 0.000 0.000 :103(release)   5 0.000 0.000 0.000 0.000 :143(__init__)   5 0.000 0.000 0.000 0.000 :147(__enter__)   … … … …

从上面的输出中可以看出，cProfile打印出所有内容调用3577函数，每个函数花费的时间和时间他们被称为.以下是我们在输出中得到的列和减号;

• ncalls : 这是拨打电话的次数.

• tottime : 这是在给定函数中花费的总时间.

• percall : 它指的是tottime除以ncalls的商.

• cumtime : 它是在这个和所有子功能中花费的累积时间.它对于递归函数甚至是准确的.

• percall : 它是cumtime除以原始调用的商.

• 文件名:lineno(函数) : 它基本上提供了每个函数的相应数据.