Python 性能分析工具

性能分析帮助定位代码瓶颈，指导优化方向。

cProfile 基本使用

import cProfile

def slow_function():
    total = 0
    for i in range(1000000):
        total += i
    return total

# 直接运行分析
cProfile.run('slow_function()')

输出示例：

         4 function calls in 0.084 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.084    0.084    0.084    0.084 <string>:1(<module>)
        1    0.000    0.000    0.084    0.084 test.py:1(slow_function)

输出字段说明

排序输出

import cProfile

# 按累计时间排序
cProfile.run('slow_function()', sort='cumtime')

# 按调用次数排序
cProfile.run('slow_function()', sort='calls')

# 按自身时间排序
cProfile.run('slow_function()', sort='time')

Profile 对象方式

import cProfile
import pstats

profiler = cProfile.Profile()
profiler.enable()

# 执行代码
slow_function()

profiler.disable()

# 输出统计
stats = pstats.Stats(profiler)
stats.sort_stats('cumtime')
stats.print_stats(10)  # 打印前10条

保存分析结果

import cProfile

profiler = cProfile.Profile()
profiler.run('slow_function()')

# 保存到文件
profiler.dump_stats('profile_result.prof')

# 加载分析
import pstats
stats = pstats.Stats('profile_result.prof')
stats.print_stats()

timeit 精确计时

import timeit

# 测试代码片段
time = timeit.timeit('sum(range(1000))', number=10000)
print(f"耗时: {time:.4f}s")

# 测试函数
def test_func():
    return sum(range(1000))

time = timeit.timeit(test_func, number=10000)
print(f"耗时: {time:.4f}s")

timeit 精确测量

import timeit

# 使用 setup 设置环境
time = timeit.timeit(
    '"".join(str(i) for i in range(100))',
    number=1000,
    setup='import string'
)

# repeat 多次测量取最佳
times = timeit.repeat(
    'sum(range(1000))',
    number=10000,
    repeat=5
)
print(f"最佳: {min(times):.4f}s")
print(f"平均: {sum(times)/len(times):.4f}s")

命令行使用

# cProfile 命令行
python -m cProfile -s cumtime script.py

# timeit 命令行
python -m timeit "sum(range(1000))"
python -m timeit -n 1000 -r 5 "sum(range(1000))"

性能对比示例

import timeit

# 对比列表推导式 vs map
list_comp = timeit.timeit('[x**2 for x in range(1000)]', number=10000)
map_func = timeit.timeit('list(map(lambda x: x**2, range(1000)))', number=10000)

print(f"列表推导式: {list_comp:.4f}s")
print(f"map函数: {map_func:.4f}s")

# 对比字符串拼接
join_time = timeit.timeit(
    '"".join([str(i) for i in range(100)])',
    number=10000
)
plus_time = timeit.timeit(
    's=""\nfor i in range(100): s+=str(i)',
    number=10000
)

print(f"join拼接: {join_time:.4f}s")
print(f"+拼接: {plus_time:.4f}s")

分析装饰器

import cProfile
import functools

def profile(func):
    @functools.wraps(func)
    def wrapper(*args, **kwargs):
        profiler = cProfile.Profile()
        profiler.enable()
        result = func(*args, **kwargs)
        profiler.disable()
        profiler.print_stats(sort='cumtime')
        return result
    return wrapper

@profile
def analyzed_function():
    return sum(range(1000000))

analyzed_function()

工具对比

要点总结

• cProfile.run() 快速分析代码性能
• tottime 是函数自身耗时，cumtime 是累计耗时
• sort='cumtime' 按累计时间排序定位瓶颈
• Profile 对象可保存分析结果到文件
• timeit.timeit() 精确测量代码片段
• timeit.repeat() 多次测量取稳定结果
• 命令行 -m cProfile 分析脚本
• 性能对比选择最优实现方案