Analyse de l'exécution

Écrire du code Python efficace

Logan Thomas

Scientific Software Technical Trainer, Enthought

Pourquoi devrions-nous chronométrer notre code ?

Nous permet de sélectionner l'approche de codage optimale.
Un code plus rapide équivaut à un code plus efficace.

Comment pouvons-nous chronométrer notre code ?

Veuillez calculer le temps d'exécution à l'aide de la commande magique IPython %timeit
Commandes magiques : améliorations par rapport à la syntaxe Python standard
- Précédé du caractère "%"
- Lien vers les documents (ici)
- Veuillez consulter toutes les commandes magiques disponibles avec %lsmagic

Utilisation de %timeit

Code à chronométrer

import numpy as np

rand_nums = np.random.rand(1000)

Chronométrage avec %timeit

%timeit rand_nums = np.random.rand(1000)

8.61 µs ± 69.1 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

Résultat %timeit

alt="Magic command timeit output"

Résultat %timeit

alt="Magic command timeit output with mean value and standard deviation value highlighted"

Résultat %timeit

alt="Magic command timeit output with number of runs and number of loops highlighted"

Spécification du nombre d'exécutions/boucles

Définition du nombre d'exécutions (-r) et/ou de boucles (-n)

# Set number of runs to 2 (-r2)
# Set number of loops to 10 (-n10)

%timeit -r2 -n10 rand_nums = np.random.rand(1000)

16.9 µs ± 5.14 µs per loop (mean ± std. dev. of 2 runs, 10 loops each)

Utilisation de %timeit en mode line magic

Line magic (%timeit)

# Single line of code

%timeit nums = [x for x in range(10)]

914 ns ± 7.33 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

Utilisation de %timeit en mode cell magic

Cell magic (%%timeit)

# Multiple lines of code

%%timeit
nums = []
for x in range(10):
    nums.append(x)

1.17 µs ± 3.26 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

Enregistrement du résultat

Enregistrer le résultat dans une variable (-o)

times = %timeit -o rand_nums = np.random.rand(1000)

8.69 µs ± 91.4 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

times.timings

[8.697893059998023e-06,
 8.651204760008113e-06,
 8.634270530001232e-06,
 8.66847825998775e-06,
 8.619398139999247e-06,
 8.902550710008654e-06,
 8.633500570012985e-06]

times.best

8.619398139999247e-06

times.worst

8.902550710008654e-06

Comparaison des durées

Les structures de données Python peuvent être créées à l'aide d'un nom formel

formal_list = list()
formal_dict = dict()
formal_tuple = tuple()

Les structures de données Python peuvent être créées à l'aide d'une syntaxe littérale

literal_list = []
literal_dict = {}
literal_tuple = ()

f_time = %timeit -o formal_dict = dict()

145 ns ± 1.5 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

l_time = %timeit -o literal_dict = {}

93.3 ns ± 1.88 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

diff = (f_time.average - l_time.average) * (10**9)
print('l_time better than f_time by {} ns'.format(diff))

l_time better than f_time by 51.90819192857814 ns

Comparaison des durées

%timeit formal_dict = dict()

145 ns ± 1.5 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

%timeit literal_dict = {}

93.3 ns ± 1.88 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

C'est le début de la course !

Écrire du code Python efficace