字段的意义与文本输出根本一致，不过便捷性可以点击字段名排序。左下方列出了当前函数的calller(调用者)，右下方是当前函数内部与子函数的时光┞芳用情况。上如是按照cumtime(即该函数内部及其子函数所占的时光和)排序的结不雅。

造成机能瓶颈的原因平日是高频调用的函数、单次消费异常高的函数、或者二者的结合。在我们前面的例子中，foo就属于高频调用的情况，bar属于单次消费异常高的情况，这都是我们须要优化的重点。

python-profiling-tools中介绍了qcachegrind和runsnakerun的应用办法，这两个colorful的对象比visualpytune强大年夜得多。具体的应用办法请参考原文，下图给出test.prof用qcachegrind打开的结不雅。

qcachegrind确切要比visualpytune强大年夜。大年夜上图可以看到，大年夜致分为三部：。第一部分同visualpytune类似，是每个函数占用的时光，个中Incl等同于cumtime， Self等同于tottime。第二部分和第三部分都有很多标签，不合的标签标示大年夜不合的角度来看结不雅，如图上所以，第三部分的“call graph”展示了该函数的call tree并包含每个子函数的时光百分比，一目了然。

profile针对优化

知道了热点，就可以进行针对性的优化，而这个优化往往根具体的营业密切相干，没用全能钥匙，具体问题，具体分析。小我经验而言，最有效的优化是找产品经理评论辩论需求，可能换一种方法也能知足需求，少者稍微调和一下产品经理也能接收。次之是修改代码的实现，比如之前应用了一个比较通俗易懂但效力较低的算法，如不雅这个算法成为了机能瓶颈，那就推敲换一种效力更高然则可能难解得的算法、或者应用dirty Flag模式。对于这些同样的办法，须要结合具体的案例，本文不做赘述。

接下来结合python说话特点，介绍一些让python代码不那么pythonic，但可以晋升机能的一些做法

第一：削减函数的调用层次

cdef double f(double x): # 返回值也有类型断定 
 
    return x**2-x 
 
  
 
cdef double integrate_f(double a, double b, int N): 
 
    cdef int i 
 
    cdef double s, dx 
 
    s = 0 
 
    dx = (b-a)/N 
 
    for i in range(N): 
 
        s += f(a+i*dx) 
 
    return s * dx  

每一层函数调用都邑带来不小的开销，特别对于调用频率高，但单次消费较小的calltree，独裁的函数调用开销就很大年夜，这个时刻可以推敲将颇┞饭开。

对于之前调到的profile的代码，foo这个call tree异常简单，但频率高。修改代码，增长一个plain_foo()函数, 直接返回最终结不雅，关键输出如下：

跟之前的结不雅比较：

可以看到，优化了差不多3倍。

第二：优化属性查找

膳绫擎提到，python 的属性查找效力很低，如不雅在一段代码中频繁拜访一个属性(比如for轮回)，那么可以推敲用局部变量代替对象的属性。

call f cost: 1.19209289551e-06 
 
call integrate_f cost: 0.187038183212  

第三：封闭GC

在本文的第一章节已经提到，封闭GC可以晋升python的机能，GC带来的顿卡在及时性请求比较高的应用处景也是难以接收的。但封闭GC并不是一件轻易的工作。我们知道python的引用计数只能敷衍没有轮回引用的情况，有了轮回引用就须要靠GC来处理。在python说话中, 写出轮回引用异常轻易。比如：

　　推荐阅读

　　做大数据真的能赚钱吗？

于IT业内，大年夜数据之火热程度，似乎无出其右者。当然，在颇┞锋正爆发前夕，也应当合时泼盆冷水。谁能接触到数据国内冠以大年夜数据之名的企业数以千计，但细分其专注范畴，大年夜致可>>>详细阅读

本文标题：Python性能优化

地址：http://www.17bianji.com/lsqh/36589.html

 1/2    1