快捷導(dǎo)航

在IPython中進(jìn)行Python程序執(zhí)行時(shí)間的測(cè)量方法

更新時(shí)間：2018年11月01日 08:38:44 作者：grey_csdn

今天小編就為大家分享一篇在IPython中進(jìn)行Python程序執(zhí)行時(shí)間的測(cè)量方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

在寫(xiě)MATLAB的腳本的時(shí)候我時(shí)長(zhǎng)會(huì)用tic、toc進(jìn)行一下程序運(yùn)行時(shí)間的測(cè)量。在Python中偶爾也會(huì)測(cè)試下，但是基本上都是靠使用time模塊。接觸了IPython之后突然間發(fā)現(xiàn)，原來(lái)程序執(zhí)行時(shí)間的測(cè)試可以如此簡(jiǎn)單！

在IPython中，程序執(zhí)行時(shí)間的測(cè)試是通過(guò)魔術(shù)函數(shù)來(lái)實(shí)現(xiàn)。這個(gè)功能的魔術(shù)函數(shù)有兩個(gè)，一個(gè)是time，還有一個(gè)是timeit。后面這個(gè)功能與前面的功能類似，但是更為精確，因?yàn)闇y(cè)試采用了多次測(cè)試求取平均值的方式實(shí)現(xiàn)。

之前寫(xiě)了一個(gè)簡(jiǎn)單的測(cè)試小腳本，

#!/usr/bin/python
 
import numpy as np
from numpy.randomimport randn
 
data = {i :randn() for i in range(7)}

print(data)代碼如下：

在IPython中測(cè)試記錄如下：

In [21]: %time%run dict.py
{0:1.1356172702418055, 1: -0.24725099335195655, 2: -0.8566028472732841, 3:-0.7027863981377108, 4: 0.8563383373116604, 5: 1.4790260114125025, 6:0.45741003038960254}
Wall time: 0 ns
 
In [22]: %time%run dict.py
{0:0.4634308244997993, 1: -0.2169481701227914, 2: 1.844213869777202, 3:-1.09428552819743, 4: -0.3162553722440559, 5: 0.35052990092285824, 6:-1.0779260478165211}
Wall time: 0 ns

這結(jié)果有點(diǎn)……

確實(shí)，這么簡(jiǎn)單的語(yǔ)句能夠執(zhí)行多少時(shí)間呢！何況現(xiàn)在用的本子還是標(biāo)壓處理器，又是I7計(jì)算最強(qiáng)芯。好，接下來(lái)改造一下，改成循環(huán)：

#!/usr/bin/python
 
import numpy as np
from numpy.randomimport randn
 
for i inrange(1000):
data = {i : randn() for i in range(7)}
print(data)

以上代碼存儲(chǔ)到新文件之后，在IPython中進(jìn)行測(cè)試與記錄。眼前閃過(guò)一大片輸出，拷貝全部的記錄不太可能了，截取部分結(jié)果如下：

{0:-0.8346562430694008, 1: -0.5081226699243429, 2: 0.14690620427134915, 3:-1.1947018796604227, 4: 0.5299884594565932, 5: -0.11730239691529774, 6:-0.008304349615949396}
{0:-0.5004558540946741, 1: -2.239882398599743, 2: -0.4877611466394901, 3:0.04679029941320335, 4: -0.04061984884439187, 5: -0.18026780798066566, 6:0.2617579789690715}
{0:-0.8498496249579838, 1: -0.34650772255315343, 2: -0.7067822075542513, 3:0.4675343777714329, 4: -2.095049716609193, 5: -1.9396619017424426, 6:1.4723754138476228}
{0:1.0829454562962688, 1: 0.3658593642766029, 2: 0.7825005873884392, 3:-0.7024245957641886, 4: -0.9083494908408439, 5: -0.5225361343604294, 6:0.2780526056846729}
Wall time: 2.67 s

這次的執(zhí)行結(jié)果確實(shí)是挺長(zhǎng)的，個(gè)人覺(jué)得主要的瓶頸應(yīng)該還是在輸出功能上吧！在用timeit測(cè)試一下，看看結(jié)果是否有大的變化。部分記錄結(jié)果如下：

{0:1.1881922773474327, 1: 2.095703415950821, 2: 0.7768251617416795, 3:-0.3639801567794642, 4: -1.2155069020886828, 5: 0.05454831526380187, 6:0.521994301720664}
{0:0.0962573073179745, 1: -0.6917641905037167, 2: 1.021197433972855, 3:0.4155701479521505, 4: 2.393391538898768, 5: 1.3755258048747323, 6:-0.5540780961303758}
{0:-0.418199398478115, 1: 1.1973929026808094, 2: -0.3243683593668846, 3:-1.7765735471011064, 4: -1.1567528174241677, 5: -2.297151750515544, 6:1.6966820033283279}
1 loop, best of 3:1.68 s per loop

從上面的結(jié)果中可以看出，似乎這個(gè)結(jié)果也不是取均值（我看的教程中寫(xiě)的是取均值）。上面的結(jié)果提示中，測(cè)試進(jìn)行了三次，而從三次中取出了一個(gè)最好的結(jié)果。跟之前的結(jié)果確實(shí)是有一定的差距。我再修改一下代碼，把print改掉，看看是否print是一個(gè)時(shí)間消耗大戶！代碼如下：

#!/usr/bin/python
 
import numpy as np
from numpy.randomimport randn
 
for i inrange(1000):
data = {i : randn() for i in range(7)}
a = data

兩種測(cè)試的結(jié)果分別如下：

Time測(cè)試：

In [28]: %time%run dict_loop_no_disp.py
Wall time: 15 ms
In [29]: %timeit%run dict_loop_no_disp.py
100 loops, best of3: 3.2 ms per loop

從上面的結(jié)果可看出，print確實(shí)是一個(gè)時(shí)間消耗大戶！而從這組結(jié)果中，似乎有覺(jué)得我對(duì)timeit的輸出理解有點(diǎn)偏了。直觀上的理解，上次的測(cè)試似乎只有1次循環(huán)測(cè)試，但是得出了三個(gè)最好的成績(jī)。而這次的測(cè)試進(jìn)行了100個(gè)循環(huán)，得出了三個(gè)最好的成績(jī)？是這樣理解嗎？

如何理解暫且不去深究了，總體說(shuō)來(lái)是后面一種精確一點(diǎn)罷了！實(shí)際的使用中，用的時(shí)候大約還是不多，畢竟我的Python程序執(zhí)行時(shí)間都少的幾乎可以忽略。

以上這篇在IPython中進(jìn)行Python程序執(zhí)行時(shí)間的測(cè)量方法就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: