Analiza czasu wykonania

Wydajny kod w Pythonie

Logan Thomas

Scientific Software Technical Trainer, Enthought

Dlaczego warto mierzyć czas kodu?

Pozwala wybrać optymalny sposób kodowania
Szybszy kod == bardziej wydajny kod!

Jak mierzyć czas kodu?

Obliczanie czasu wykonania za pomocą polecenia magicznego %timeit
Polecenia magiczne: rozszerzenia składni Pythona
- Poprzedzone znakiem "%"
- Dokumentacja (tutaj)
- Lista poleceń: %lsmagic

Użycie %timeit

Kod do zmierzenia

import numpy as np

rand_nums = np.random.rand(1000)

Pomiar za pomocą %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)

Wynik %timeit

alt="Wynik polecenia magicznego timeit"

Wynik %timeit

alt="Wynik polecenia magicznego timeit z zaznaczoną średnią i odchyleniem standardowym"

Wynik %timeit

alt="Wynik polecenia magicznego timeit z zaznaczoną liczbą uruchomień i pętli"

Określanie liczby uruchomień/pętli

Ustawianie liczby uruchomień (-r) i/lub pętli (-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)

Użycie %timeit w trybie liniowym

Magia liniowa (%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)

Użycie %timeit w trybie komórki

Magia komórki (%%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)

Zapisywanie wyników

Zapisywanie wyników do zmiennej (-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

Porównywanie czasów

Struktury danych Pythona można tworzyć za pomocą nazwy formalnej

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

Strukturę danych można tworzyć za pomocą składni literalnej

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

Porównywanie czasów

%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)

Do dzieła!

Wydajny kod w Pythonie