Profilage de code pour l'exécution

Écrire du code Python efficace

Logan Thomas

Scientific Software Technical Trainer, Enthought

Profilage de code

Statistiques détaillées sur la fréquence et la durée des appels de fonction
Analyses ligne par ligne
Package utilisé : line_profiler

pip install line_profiler

Profilage de code : durée d'exécution

heroes = ['Batman', 'Superman', 'Wonder Woman']

hts = np.array([188.0, 191.0, 183.0])

wts = np.array([ 95.0, 101.0,  74.0])

def convert_units(heroes, heights, weights):

    new_hts = [ht * 0.39370  for ht in heights]
    new_wts = [wt * 2.20462  for wt in weights]

    hero_data = {}

    for i,hero in enumerate(heroes):
        hero_data[hero] = (new_hts[i], new_wts[i])

    return hero_data

convert_units(heroes, hts, wts)

{'Batman': (74.0156, 209.4389),
 'Superman': (75.1967, 222.6666),
 'Wonder Woman': (72.0471, 163.1419)}

Profilage de code : durée d'exécution

%timeit convert_units(heroes, hts, wts)

3 µs ± 32 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%timeit new_hts = [ht * 0.39370  for ht in hts]

1.09 µs ± 11 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%timeit new_wts = [wt * 2.20462  for wt in wts]

1.08 µs ± 6.42 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%%timeit
hero_data = {}
for i,hero in enumerate(heroes):
    hero_data[hero] = (new_hts[i], new_wts[i])

634 ns ± 9.29 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

Profilage de code : line_profiler

Utilisation du package line_profiler

%load_ext line_profiler

Commande magique pour les temps ligne par ligne

%lprun -f

Profilage de code : line_profiler

Utilisation du package line_profiler

%load_ext line_profiler

Commande magique pour les temps ligne par ligne

%lprun -f convert_units

Profilage de code : line_profiler

Utilisation du package line_profiler

%load_ext line_profiler

Commande magique pour les temps ligne par ligne

%lprun -f convert_units convert_units(heroes, hts, wts)

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

alt=”Magic command lprun tabular output summarizing runtime profiling statistics”

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

alt=”Magic command lprun tabular output summarizing runtime profiling statistics with Line # and Hits columns highlighted”

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

alt=”Magic command lprun tabular output summarizing runtime profiling statistics with Time column highlighted”

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

alt=”Magic command lprun tabular output summarizing runtime profiling statistics with first line Time unit highlighted”

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

alt=”Magic command lprun tabular output summarizing runtime profiling statistics with line three highlighted”

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

alt=”Magic command lprun tabular output summarizing runtime profiling statistics with Per Hit column highlighted”

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

Magic command lprun tabular output summarizing runtime profiling statistics with line nine highlighted

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

alt=”Magic command lprun tabular output summarizing runtime profiling statistics with % Time column highlighted”

Résultat %lprun

%lprun -f convert_units convert_units(heroes, hts, wts)

alt=”Magic command lprun tabular output summarizing runtime profiling statistics with Line Contents column highlighted”

%timeit convert_units convert_units(heroes, hts, wts)

3 µs ± 32 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%lprun -f convert_units convert_units(heroes, hts, wts)

alt="Magic command lprun tabular output summarizing runtime profiling statistics with second line Total time highlighted"

Mettons en pratique vos nouvelles compétences en matière de profilage.

Écrire du code Python efficace