Undersöka körtid

Att skriva effektiv Python-kod

Logan Thomas

Scientific Software Technical Trainer, Enthought

Varför ska vi mäta körtid?

Hjälper oss välja det optimala tillvägagångssättet
Snabbare kod == effektivare kod!

Hur mäter vi körtid?

Beräkna körtid med IPython-magikkommandot %timeit
Magikkommandon: tillägg utöver vanlig Python-syntax
- Inleds med tecknet "%"
- Länk till dokumentation (här)
- Visa alla tillgängliga magikkommandon med %lsmagic

Använda %timeit

Kod att mäta

import numpy as np

rand_nums = np.random.rand(1000)

Mätning med %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 utdata

alt="Utdata från magikkommandot timeit"

%timeit utdata

alt="Utdata från magikkommandot timeit med medelvärde och standardavvikelse markerade"

%timeit utdata

alt="Utdata från magikkommandot timeit med antal körningar och slingor markerade"

Ange antal körningar/slingor

Ange antal körningar (-r) och/eller slingor (-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)

Använda %timeit i rad-magiläge

Rad-magi (%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)

Använda %timeit i cell-magiläge

Cell-magi (%%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)

Spara utdata

Spara utdata i en variabel (-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

Jämföra tider

Pythons datastrukturer kan skapas med formellt namn

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

Pythons datastrukturer kan skapas med literal syntax

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

Jämföra tider

%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)

Nu kör vi en övning!

Att skriva effektiv Python-kod