Laufzeiten erfassen

Effizienten Python-Code schreiben

Logan Thomas

Scientific Software Technical Trainer, Enthought

Warum sollten wir die Durchlaufzeit unseres Code messen?

Lässt uns den besten Ansatz für die Programmierung auswählen
Schnellerer Code == effizienterer Code!

Wie können wir unseren Code zeitlich messen?

Laufzeit mit dem magischen IPython-Befehl %timeit berechnen
Magische Befehle: Erweiterungen der normalen Python-Syntax
- Mit dem Zeichen „%“ davor
- Link zur Dokumentation (hier)
- Lass dir alle verfügbaren magischen Befehle mit %lsmagic anzeigen

Verwendung von %timeit

Zu messender Code

import numpy as np

rand_nums = np.random.rand(1000)

Durchlaufzeit mit %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)

%timeit-Ausgabe

alt=„Ausgabe des Befehls „timeit“

%timeit-Ausgabe

alt="Ausgabe des Befehls „timeit“ mit hervorgehobenem Mittelwert und Standardabweichung"

%timeit-Ausgabe

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

Anzahl der Durchläufe/Schleifen festlegen

Einstellung der Anzahl der Durchläufe (-r) und/oder Schleifen (-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)

Verwendung von %timeit im Zeilenmagie-Modus

Zeilenmagie (%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)

Verwendung von %timeit im Cell Magic Modus

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)

Ausgabe speichern

Die Ausgabe in einer Variablen speichern (-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

Zeiten vergleichen

Python-Datenstrukturen kann man mit einem formalen Namen erstellen.

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

Python-Datenstrukturen können auch mit der Literal-Syntax erstellt werden.

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

Zeiten vergleichen

%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)

Los geht's!

Effizienten Python-Code schreiben