Модуль profile

Этот модуль позволяет проанализировать работу функции и выдать статистику использования процессорного времени на выполнение той или иной части алгоритма.

В качестве примера можно рассмотреть профилирование функции для поиска строк из списка, наиболее похожих на данную. Для того чтобы качественно профилировать функцию difflib.get_close_matches(), нужен большой объем данных. В файле russian.txt собрано 160 тысяч слов русского языка. Следующая программа поможет профилировать функцию difflib.get_close_matches():

import difflib, profile

def print_close_matches(word):

 print " ".join(difflib.get_close_matches(word + " ", open("russian.txt")))

profile.run(r'print_close_matches("профайлер")')

При запуске этой программы будет выдано примерно следующее:

провайдер

трайлер

бройлер

899769 function calls (877642 primitive calls) in 23.620 CPU seconds

Ordered by: standard name

    ncalls tottime percall cumtime percall filename:lineno(function)

         1   0.000   0.000  23.610  23.610 <string>:1(?)

         1   0.000   0.000  23.610  23.610 T.py:6(print_close_matches)

         1   0.000   0.000   0.000   0.000 difflib.py:147(__init__)

         1   0.000   0.000   0.000   0.000 difflib.py:210(set_seqs)

    159443   1.420   0.000   1.420   0.000 difflib.py:222(set_seq1)

         2   0.000   0.000   0.000   0.000 difflib.py:248(set_seq2)

         2   0.000   0.000   0.000   0.000 difflib.py:293(__chain_b)

    324261   2.240   0.000   2.240   0.000 difflib.py:32(_calculate_ratio)

     28317   1.590   0.000   1.590   0.000 difflib.py:344(find_longest_match)

      6474   0.100   0.000   2.690   0.000 difflib.py:454(get_matching_blocks)

28317/6190   1.000   0.000   2.590   0.000 difflib.py:480(__helper)

      6474   0.450   0.000   3.480   0.001 difflib.py:595(ratio)

     28686   0.240   0.000   0.240   0.000 difflib.py:617(<lambda>)

    158345   8.690   0.000   9.760   0.000 difflib.py:621(quick_ratio)

    159442   2.950   0.000   4.020   0.000 difflib.py:650(real_quick_ratio)

         1   4.930   4.930  23.610  23.610 difflib.py:662(get_close_matches)

         1   0.010   0.010  23.620  23.620 profile:0(print_close_matches("профайлер"))

         0   0.000   0.000                 profile:0(profiler)

Здесь колонки таблицы показывают следующие значения: ncalls — количество вызовов (функции), tottime — время выполнения кода функции (не включая времени выполнения вызываемых из нее функций), percall — то же время, в пересчете на один вызов, cumtime — суммарное время выполнения функции (и всех вызываемых из нее функций), filename — имя файла, lineno — номер строки в файле, function — имя функции (если эти параметры известны).

Из приведенной статистики следует, что наибольшие усилия по оптимизации кода необходимо приложить в функциях quick_ratio() (на нее потрачено 8,69 секунд), get_close_matches() (4,93 секунд), затем можно заняться real_quick_ratio() (2,95 секунд) и _calculate_ratio() (секунд).

Это лишь самый простой вариант использования профайлера: модуль profile (и связанный с ним pstats) позволяет получать и обрабатывать статистику: их применение описано в документации.