Как измерить время работы программы python

Нередко возникает необходимость замера времени выполнения кода, написанного на языке
Python. Рассмотрим способы прямого замера и замера с использованием менеджера контекста.

Прямой замер времени выполнения

Часто требуется просто замерить время выполнения без разрастания проекта. Для этого можно использовать классический подход: зафиксировать время в начале и конце выполнения участка кода, разница и будет временем выполнения.

Для этого используется библиотека time и команда time.time(), возвращающая текущее время.

Рассмотрим на примере замера времени поэлементного умножения двух достаточно больших массивов.

Замер с использованием менеджера контекста

Для автоматизации можно использовать менеджер контекста с помощью модуля timer.py

Тогда замер времени примет следующий вид:

Источник: san-tit.blogspot.com

Тайминг в Python

Python – язык программирования, который можно отнести к общему назначению. С его помощью пишут как бизнес-софт, так и развлекательный (игровой) контент. Это отличное решение для новичков в разработке. Относится к объектно-ориентированному типу.

Измеряем время выполнения функции на Python | Гайд №2

В данной статье будет рассказано о том, что собой представляет задержка в Python, как использовать time (таймер), для чего все это нужно. Информация пригодится даже опытным разработчикам, которые планируют работу со временем в будущей утилите.

Ключевые термины

Пытаясь освоить Python, программеру потребуется выучить немало теории. Вот базовые термины, без которых время и остальные компоненты кодификаций применять на деле не получится:

1. Ключевое слово – зарезервированное системой слово или фраза. Обозначает действие, операцию, функцию. Ключевики не могут выступать в виде имен переменных.
2. Переменная – именованная ячейка памяти, которую можно изменять, сохранять и считывать.
3. Алгоритм – последовательность действий, набор правил, помогающих решать те или иные задачи.
4. Класс – набор связанных между собой объектов, которые имеют общие свойства.
5. Объект – комбинация переменных, констант и иных структурных единиц. Они выбираются совместно и аналогичным образом проходят обработку.
6. Константа – значение, которое не будет меняться на протяжении всего выполнения утилиты.
7. Тип данных – классификация информации определенного вида.
8. Массив – множество данных. Они предварительно группируются.

Огромную роль в Python играют ключевые слова. Их необходимо либо запоминать, либо заучивать, либо держать где-то поблизости справочник с соответствующими данными. Иначе при объявлении переменных не исключены проблемы.

Задержка – это…

Задержка – термин, который применим ко времени. Он встречается и в обыденной жизни. Это – ситуация, когда что-то происходит или должно осуществиться не сразу. Пример – после наступления каких-то обстоятельств.

Как узнать время выполнения программы? #python #программирование

В программировании задержка «откладывает» выполнение кода на определенное время. Часто такая потребность возникает тогда, когда нужно дождаться завершения иного процесса, чтобы задействовать далее полученный результат.

При рассмотрении многопоточных утилит, использовать таймер (timer) и время (time) нужно, чтобы дождаться завершения операции и функций из других потоков.

Класс Timer

Класс Timer () в Python отвечает за время и работу с ним «от начала по конца». Модуль, метод, используемый для задержки и всего, что с ней связано. Перед использованием оного требуется произвести импорт компонента.

Для этого подойдет запись типа import time в Python. Класс относится к модулю threading. Он создает таймер, который запускает функцию с аргументами и ключевыми значениями (kwargs). Происходит это за счет time, установленного как interval. Этот параметр указывается в секундах.

Программеру предстоит запомнить следующее:

• Запись функции с классом, отвечающего за таймаут (timeout) –

• Если args равен None (этот показатель устанавливается изначально), Python использует пустой список.
• Когда ключевое слово kwargs равен None, применяется пустой словарь.
• Класс «Таймер» представлен действием, которое нужно запускать только по прошествии конкретного промежутка времени.
• Таймер выступает в виде подкласса threading.Thread().

Все это требуется запомнить. А еще – учесть, что в процессе коддинга предстоит использовать суперкласс (super class), а также мета данные.

Функции

Рассматривая methods time, программисту требуется изучить разнообразные функции, связанные со временем. Это поможет лучше разобраться в потоках и задержках. Не стоит забывать, что при тестинге важно использовать print. Эта операция выводит результат на экран.

Time.Time

Функция Time() будет возвращать число секунд, которые прошли с начала эпохи. Для Unix-систем это – 1.01.1970. Отсчет с 12 часов ночи ровно.

Ctime()

Компонент, который будет в виде аргумента в Python принимать количество секунд, прошедших с самого начала эпохи. Результат – возврат строки по местному time.

Sleep

Отвечает за непосредственную задержку. Откладывает исполнение нынешнего потока на заданное количество секунд.

Класс struct_time

Изучая, какой метод подойдет для работы с таймерами и super class, стоит обратить внимание на struct_time. Этот объект может быть принят некоторыми функциями в упомянутом ранее модуле. При обработке оного происходит возврат.

Выше – наглядный пример.

Реализация Sleep

Когда нужный метод для работы с задержкой изучен, можно рассмотреть то, как сделать таймаут. Для этого используют super class, а также sleep. Он проходит реализацию несколькими способами:

• Через time.sleep(). Это – встроенная возможность Python. Отвечает за таймаут через модуль time. Откладывает выполнение потока на установленное количество секунд.

• Вызов с декораторами. Активируют, когда одно неудачно выполненное действие требуется запустить снова.

• В потоках. Такие ситуации требуют, чтобы приложение избегало простоя. Для этого применяют или time.sleep(), или Event.wait() из модуля threading.
• Из Async IO. Асинхронные возможности появились в Питоне, начиная с 3.4 версии. Это – тип параллельного программирования.

• В Tkinter и wxPython. Отсрочки возможны при создании пользовательских интерфейсов. При применении sleep() внутри GUI кода блокируется цикл обработки событий.
• After(). Это – метод, который погружает в сон для Tkinter. Часть стандартной библиотеки.

• CallLater. Метод для wxPython. Имеет больше виджетов и хорошо годится для нативной разработки.

А вот видео, где можно наглядно увидеть работу с таймером в Python. Лучше разобраться с этой темой, как и с языком программирования, помогут дистанционные компьютерные курсы. Программы рассчитаны на срок до года. В конце будет выдан электронный сертификат. В процессе пользователи получат не только хорошо поданный учебный материал, но и новые полезные связи.

А еще – соберут портфолио для трудоустройства.

Источник: otus.ru

Русские Блоги

Метод определения времени работы, использования ЦП и памяти программы Python

Стандарты набора персонала Unicorn Enterprise Heavy для Python-инженеров 2019 >>>

При запуске сложных программ Python время выполнения будет очень большим. В это время вы можете захотеть повысить эффективность выполнения программы. Но что делать?

Прежде всего, должен быть инструмент, который может обнаруживать узкие места в коде, например, выяснять, какая часть времени выполнения больше. Затем оптимизируйте эту часть.

В то же время вам также необходимо контролировать использование памяти и процессора, чтобы, с другой стороны, вы могли оптимизировать код.

Поэтому в этой статье я представлю 7 различных инструментов Python для проверки времени выполнения функций в коде и использования памяти и процессора.
1. Используйте декораторы для измерения времени выполнения функции.

Есть простой способ — определить декоратор для измерения времени выполнения функции и вывода результата:

Затем добавьте этот декоратор перед функцией, которую необходимо измерить, как показано ниже:

Например, вот время, необходимое для проверки функции сортировки массива, содержащего 2 миллиона случайных чисел:

При выполнении скрипта вы увидите следующий результат:

Total time running random_sort: 1.41124916077 seconds

2. Используйте модуль timeit

Другой метод — использовать модуль timeit для расчета среднего расхода времени.

Выполните следующий сценарий, чтобы запустить модуль.

python -m timeit -n 4 -r 5 -s «import timing_functions» «timing_functions.random_sort(2000000)»

Timing_functions — это имя файла сценария Python.

В конце вывода вы можете увидеть следующие результаты:

4 loops, best of 5: 2.08 sec per loop

Это означает, что тест проводился 4 раза, и каждый тест повторялся в среднем 5 раз. Лучший результат теста составил 2,08 секунды.

Если вы не укажете количество тестов или количество повторов, значение по умолчанию — 10 тестов, каждый повторяется 5 раз.
3. Используйте команду time в системах Unix.

Однако и декораторы, и timeit основаны на Python. При тестировании Python во внешней среде очень полезна утилита unix time.

Запустите утилиту времени:

$ time -p python timing_functions.py
Total time running random_sort: 1.3931210041 seconds real 1.49 user 1.40 sys 0.08

Первая строка поступает из предопределенного декоратора, остальные три строки:

• Real представляет собой общее время выполнения сценария.
• Пользователь представляет процессорное время, затраченное на выполнение скрипта.
• Sys представляет время, затраченное на выполнение функций ядра.

Примечание. Согласно определению Википедии, ядро ​​- это компьютерная программа, которая управляет вводом и выводом программного обеспечения и преобразует их в инструкции по обработке данных, которые могут выполняться центральным процессором и другими электронными устройствами компьютера.

Следовательно, разница между временем реального выполнения и временем выполнения User + Sys — это время, затрачиваемое на ввод / вывод и другие задачи, выполняемые системой.
4. Используйте модуль cProfile.

Если вы хотите знать, сколько времени потребляет каждая функция и метод и сколько раз эти функции вызываются, вы можете использовать модуль cProfile.

$ python -m cProfile -s cumulative timing_functions.py

Теперь вы можете увидеть подробное описание функций в коде, которое содержит количество вызовов каждой функции. Поскольку используется опция -s (накопление), окончательный результат будет отсортирован по совокупному времени выполнения каждой функции. функция.

Читатели обнаружат, что общее время, необходимое для выполнения сценария, больше, чем раньше. Это связано с тем, что сама операция измерения времени выполнения каждой функции также требует времени.
5. Используйте модуль line_profiler

Модуль line_profiler может предоставить процессорное время, необходимое для выполнения каждой строки кода.

Сначала установите модуль:

$ pip install line_profiler

Желательно, чтобы вы могли получить построчное описание функции random_sort2 с помощью следующей команды.

$ kernprof -l -v timing_functions.py

Где -l означает построчное объяснение, -v означает вывод подробных результатов. Таким образом, мы видим, что 44% времени вычислений уходит на построение массива, тогда как метод sort () занимает оставшиеся 56% времени.

Точно так же из-за необходимости определять время выполнения время выполнения скрипта больше.
6. Используйте модуль memory_profiler

Модуль memory_profiler используется для построчного измерения использования памяти кодом. Использование этого модуля замедлит выполнение кода.

Способ установки следующий:

pip install memory_profiler

Кроме того, рекомендуется установить пакет psutil, чтобы memory_profile работал быстрее:

$ pip install psutil
$ python -m memory_profiler timing_functions.py

Время выполнения скрипта на 1-2 секунды больше, чем раньше. Если пакет psutil не установлен, он может быть длиннее.

Из результатов видно, что использование памяти измеряется в MiB, что означает мебибайт (1MiB = 1.05MB).
7. Используйте пакет guppy

Наконец, с помощью этого пакета вы можете узнать, сколько объектов каждого типа (str, tuple, dict и т. Д.) Создается на каждом этапе выполнения кода.

Способ установки следующий:

$ pip install guppy

Далее добавляем его в код:

from guppy import hpy def random_sort3(n): hp = hpy() print «Heap at the beginning of the functionn», hp.heap() l = [random.random() for i in range(n)] l.sort() print «Heap at the end of the functionn», hp.heap() return l if __name__ == «__main__»: random_sort3(2000000)
$ python timing_functions.py

Вы можете увидеть, что выходной результат:

Поместив heap () в разные позиции в коде, вы можете понять поток операций создания и удаления объектов в скрипте.

Если вы хотите узнать больше об оптимизации скорости кода Python, я предлагаю вам прочитать эту книгу «High Performance Python: Practical Performant Programming for Humans, september 2014.》

Источник: russianblogs.com