psutil 是因为该包能提升 memory_profiler 的性能

python 性能分析入门指南

一点号数据玩家昨天

限时干货下载：添加微信公众号“数据玩家「fbigdata」”

回复【7】免费获取【完整数据分析资料！（包括SPSS、SAS、SQL、EXCEL、Project）！】

英文：yexiaobai

译文：yexiaobai

虽然并非你编写的每个 Python 程序都要求一个严格的性能分析，但是让人放心的是，当问题发生的时候，Python 生态圈有各种各样的工具可以处理这类问题。

用 time 粗粒度的计算时间

$time pythonyourprogram.py

real 0m1.028s

user 0m0.001s

sys 0m0.003s

三个输出测量值之间的详细意义在这里 stackoverflow article，但简介在这：

你会有你的应用程序用完了多少 CPU 周期的即视感，不管系统上其他运行的程序添加的系统和用户时间。

如果 sys 和 user 时间之和小于 real 时间，然后你可以猜测到大多数程序的性能问题最有可能与 IO wait 相关。

我们下一步的技术包括直接嵌入代码来获取细粒度的计时信息。下面是我进行时间测量的代码的一个小片段

import time

classTimer(object):

def __init__(selfverbose=False):

self.verbose=verbose

def __enter__(self):

self.start=time.time

returnself

def __exit__(self*args):

self.end=time.time

self.secs=self.end-self.start

self.msecs=self.secs *1000 # millisecs

ifself.verbose:

为了使用它，使用 Python 的 with 关键字和 Timer 上下文管理器来包装你想计算的代码。当您的代码块开始执行，它将照顾启动计时器,当你的代码块结束的时候，它将停止计时器。

from timer import Timer

from redis import Redis

rdb=Redis

with Timerast:

rdb.lpush("foo""bar")

print"=> elasped lpush: %s s"%t.secs

rdb.lpop("foo")

rdb=Redis

为了看看我的程序的性能随着时间的演化的趋势，我常常记录这些定时器的输出到一个文件中。

罗伯特克恩有一个不错的项目称为 line_profiler , 我经常使用它来分析我的脚本有多快，以及每行代码执行的频率：

安装完成后，你将获得一个新模块称为 line_profiler 和 kernprof.py 可执行脚本。

为了使用这个工具，首先在你想测量的函数上设置 @profile 修饰符。不用担心，为了这个修饰符，你不需要引入任何东西。kernprof.py 脚本会在运行时自动注入你的脚本。

defprimes(n):

ifn==2:

return[2]

elifn<2:

return

s=range(3n+12)

mroot=n**0.5

half=(n+1)/2-1

i=0

m=3

whilem<=mroot:

ifs[i]:

j=(m*m-3)/2

s[j]=0

whilej<half:

s[j]=0

j+=m

i=i+1

m=2*i+3

return[2]+[xforxinsifx]

一旦你得到了你的设置了修饰符 @profile 的代码，使用 kernprof.py 运行这个脚本。

-l 选项告诉 kernprof 把修饰符 @profile 注入你的脚本，-v 选项告诉 kernprof 一旦你的脚本完成后，展示计时信息。这是一个以上脚本的类似输出：

Wrote profileresults toprimes.py.lprof

Timerunit:1e-06s

File:primes.py

Function:primes atline2

Total time:0.00019s

Line# Hits Time Per Hit % Time Line Contents

2 @profile

3 defprimes(n):

4 1 2 2.0 1.1 ifn==2:

5return[2]

6 1 1 1.0 0.5 elifn<2:

7return

8 1 4 4.0 2.1 s=range(3n+12)

9 1 10 10.0 5.3 mroot=n**0.5

10 1 2 2.0 1.1 half=(n+1)/2-1

11 1 1 1.0 0.5 i=0

12 1 1 1.0 0.5 m=3

13 5 7 1.4 3.7 whilem<=mroot:

14 4 4 1.0 2.1 ifs[i]:

15 3 4 1.3 2.1 j=(m*m-3)/2

16 3 4 1.3 2.1 s[j]=0

17 31 31 1.0 16.3 whilej<half:

18 28 28 1.0 14.7 s[j]=0

19 28 29 1.0 15.3 j+=m

20 4 4 1.0 2.1 i=i+1

21 4 4 1.0 2.1 m=2*i+3

22 50 54 1.1 28.4 return[2]+[xforx 现在我们掌握了很好我们代码的计时信息，让我们继续找出我们的程序使用了多少内存。我们真是非常幸运， Fabian Pedregosa 仿照 Robert Kern 的 line_profiler 实现了一个很好的内存分析器 [memory profiler][5]。

在这里建议安装 psutil 是因为该包能提升 memory_profiler 的性能。

想 line_profiler 一样， memory_profiler 要求在你设置 @profile 来修饰你的函数：

@profile

def primes(n):

...

...

Filename:primes.py

Line# Mem usage Increment Line Contents

2 @profile

3 7.9219MB 0.0000MB defprimes(n):

4 7.9219MB 0.0000MB ifn==2:

5 return[2]

6 7.9219MB 0.0000MB elifn<2:

7 return

8 7.9219MB 0.0000MB s=range(3n+12)

9 7.9258MB 0.0039MB mroot=n**0.5

10 7.9258MB 0.0000MB half=(n+1)/2-1

11 7.9258MB 0.0000MB i=0

12 7.9258MB 0.0000MB m=3

13 7.9297MB 0.0039MB whilem<=mroot:

14 7.9297MB 0.0000MB ifs[i]:

15 7.9297MB 0.0000MB j=(m*m-3)/2

16 7.9258MB-0.0039MB s[j]=0

17 7.9297MB 0.0039MB whilej<half:

18 7.9297MB 0.0000MB s[j]=0

19 7.9297MB 0.0000MB j+=m

20 7.9297MB 0.0000MB i=i+1

21 7.9297MB 0.0000MB m=2*i+3

22 7.9297MB 0.0000MB return[2]+[xforxinsifx]

line_profiler 和 memory_profiler 一个鲜为人知的特性就是在 IPython 上都有快捷命令。你所能做的就是在 IPython 上键入以下命令：

%load_extmemory_profiler

这样做了以后，你就可以使用魔法命令 %lprun 和 %mprun 了，它们表现的像它们命令行的副本，最主要的不同就是你不需要给你需要分析的函数设置 @profile 修饰符。直接在你的 IPython 会话上继续分析吧。

这可以节省你大量的时间和精力,因为使用这些分析命令，你不需要修改你的源代码。

cPython的解释器使用引用计数来作为它跟踪内存的主要方法。这意味着每个对象持有一个计数器，当增加某个对象的引用存储的时候，计数器就会增加，当一个引用被删除的时候，计数器就是减少。当计数器达到0， cPython 解释器就知道该对象不再使用，因此解释器将删除这个对象，并且释放该对象持有的内存。

内存泄漏往往发生在即使该对象不再使用的时候，你的程序还持有对该对象的引用。

最快速发现内存泄漏的方式就是使用一个由 Marius Gedminas 编写的非常好的称为 [objgraph][6] 的工具。

这个工具可以让你看到在内存中对象的数量,也定位在代码中所有不同的地方,对这些对象的引用。

MyBigFatObject 20000

tuple 169382881064151

function 4310

dict2790

method_descriptor 507

getset_descriptor 451

哪个对象被增加或是删除了？

.

.

.

(pdb)objgraph.show_growth # this only shows objects that has been added or deleted since last show_growth call

traceback 4 +2

KeyboardInterrupt 1 +1

frame 24 +1

list 667 +1

tuple 16969 +1

这个泄漏对象的引用是什么？

为了看到持有变量 X 的引用是什么，运行 objgraph.show_backref 函数：

(pdb)import objgraph