基准测试和分析
在本章中，我们将了解基准测试和分析如何帮助解决性能问题。
假设我们编写了一段代码，它也给出了所需的结果，但是如果我们因为需求发生了变化而想要更快地运行这段代码怎么办？在这种情况下，我们需要找出代码的哪些部分减慢了整个程序的速度。在这种情况下，基准测试和分析可能会很有用。
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事物。然而，这里出现的问题是基准测试是什么以及为什么我们在软件编程时需要它。对代码进行基准测试意味着代码执行的速度以及瓶颈在哪里。基准测试的一个主要原因是它可以优化代码。
基准测试如何运作？
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，然后我们可以组合微基准测试，然后将程序分解为更小的程序。为了找到我们程序中的瓶颈并对其进行优化。换句话说，我们可以把它理解为将大而难的问题分解成一系列更小、更容易的问题来优化它们。
用于基准测试的 Python 模块
在 Python 中，我们默认有一个用于基准测试的模块，称为timeit。借助timeit模块，我们可以测量主程序中一小段 Python 代码的性能。
例子
在下面的 Python 脚本中，我们导入timeit模块，该模块进一步测量执行两个函数（ functionA和functionB）所需的时间-
import timeit
import time
def 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，我们将得到两个函数的执行时间，如下所示。
输出
Function A starts the execution: Function A completes the execution: 0.0014599495514175942 Function B starts the execution Function B completes the execution 0.0017024724827479076
使用装饰器函数编写我们自己的计时器
在 Python 中，我们可以创建自己的计时器，其作用就像timeit模块一样。这可以借助装饰器函数来完成。以下是自定义计时器的示例 -
import random
import time
def 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_func
def 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。其中包含 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.
什么是剖析？
有时，程序员想要测量一些属性，例如内存的使用、时间复杂度或程序特定指令的使用，以测量该程序的实际功能。这种对程序的测量称为分析。分析使用动态程序分析来进行此类测量。
在后续部分中，我们将了解用于分析的不同 Python 模块。
cProfile – 内置模块
cProfile是一个用于分析的 Python 内置模块。该模块是一个 C 扩展，具有合理的开销，使其适合分析长时间运行的程序。运行后，它会记录所有函数和执行时间。它非常强大，但有时解释和执行起来有点困难。在下面的示例中，我们在下面的代码中使用 cProfile -
例子
def increment_global():
global x
x += 1
def 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))
上述代码保存在thread_increment.py文件中。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.py
x = 100000 after Iteration 0
x = 100000 after Iteration 1
x = 100000 after Iteration 2
x = 100000 after Iteration 3
x = 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 <frozen importlib._bootstrap>:103(release)
5 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:143(__init__)
5 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:147(__enter__)
… … … …
从上面的输出可以清楚地看出，cProfile 打印出了所有被调用的 3577 个函数，以及每个函数花费的时间以及它们被调用的次数。以下是我们在输出中得到的列 -
ncalls - 这是拨打的电话数量。
tottime - 它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 - 这是在该子函数和所有子函数中花费的累积时间。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。
filename:lineno(function) - 它基本上提供每个函数的相应数据。