檢視執行時間

撰寫高效的 Python 程式碼

Logan Thomas

Scientific Software Technical Trainer, Enthought

為什麼要量測程式時間？

幫助我們選出最佳寫法
程式越快＝效率越高！

如何量測程式時間？

用 IPython 的 magic 指令 %timeit 計算執行時間
Magic 指令：對一般 Python 語法的加強
- 以「%」字元作為前綴
- 文件連結（here）
- 用 %lsmagic 查看所有可用的 magic 指令

使用 %timeit

要計時的程式碼

import numpy as np

rand_nums = np.random.rand(1000)

用 %timeit 計時

%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 輸出

alt="magic 指令 timeit 的輸出"

%timeit 輸出

alt="magic 指令 timeit 的輸出，標示平均值與標準差"

%timeit 輸出

alt="magic 指令 timeit 的輸出，標示執行次數與每次迴圈數"

指定 runs/loops 數量

設定執行次數（-r）與／或每次迴圈數（-n）

# 將執行次數設為 2（-r2）
# 將每次迴圈數設為 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)

在行內模式使用 %timeit

行內 magic（%timeit）

# 單行程式碼

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

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

在儲存格模式使用 %timeit

儲存格 magic（%%timeit）

# 多行程式碼

%%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)

儲存輸出

將輸出儲存為變數（-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

比較時間

可以用正式名稱建立 Python 資料結構

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

也可以用常值語法建立 Python 資料結構

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

比較時間

%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)

準備開跑！

撰寫高效的 Python 程式碼