使用 cProfile 和 PyPy 模組優化 Python 程式碼：完整指南

介紹

作為 Python 開發人員，我們通常先專注於如何讓程式碼正常運行，然後再擔心優化它。然而，在處理大規模應用程式或效能關鍵型程式碼時，最佳化變得至關重要。在這篇文章中，我們將介紹兩個可用於優化 Python 程式碼的強大工具：cProfile 模組和 PyPy 解釋器。

在這篇文章結束時，您將學到：

1. 如何使用 cProfile 模組辨識效能瓶頸。
2. 如何最佳化程式碼以提高速度。
3. 如何使用 PyPy 透過即時 (JIT) 編譯進一步加速您的 Python 程式。

為什麼效能優化很重要

Python 以其易用性、可讀性和龐大的庫生態系統而聞名。但由於其解釋性質，它也比 C 或 Java 等其他語言慢。因此，了解如何優化 Python 程式碼對於效能敏感的應用程式（例如機器學習模型、即時系統或高頻交易系統）至關重要。

最佳化通常遵循以下步驟：

1. 分析您的程式碼以了解瓶頸所在。
2. 最佳化程式碼效率低下的區域。
3. 在更快的解釋器（如 PyPy）中運行最佳化的程式碼，以實現最大效能。

現在，讓我們開始分析您的程式碼。

步驟 1：使用 cProfile 分析您的程式碼

什麼是cProfile？

cProfile 是一個用於效能分析的內建 Python 模組。它會追蹤程式碼中每個函數執行所需的時間，這可以幫助您識別導致速度變慢的函數或程式碼部分。

從命令列使用 cProfile

分析腳本最簡單的方法是從命令列執行 cProfile。例如，假設您有一個名為 my_script.py 的腳本：

python -m cProfile -s cumulative my_script.py

說明：

• -m cProfile：將 cProfile 模組作為 Python 標準函式庫的一部分來運作。
• -scumulative：以每個函數花費的累積時間對分析結果進行排序。
• my_script.py：您的 Python 腳本。

這將產生您的程式碼花費時間的詳細分類。

範例：分析 Python 腳本

讓我們來看一個遞歸計算斐波那契數的基本 Python 腳本：

def fibonacci(n):
    if n 



<p>使用 cProfile 執行此腳本：<br>
</p>

<pre class="brush:php;toolbar:false">python -m cProfile -s cumulative fibonacci_script.py

了解 cProfile 輸出

執行 cProfile 後，您將看到以下內容：

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     8320    0.050    0.000    0.124    0.000 fibonacci_script.py:3(fibonacci)

每列提供關鍵效能資料：

• ncalls：呼叫函數的次數。
• tottime：函數花費的總時間（不包含子函數）。
• cumtime：函數（包括子函數）所花費的累積時間。
• 每次呼叫：每次呼叫的時間。

如果您的斐波那契函數花費太多時間，此輸出將告訴您最佳化工作的重點。

分析程式碼的特定部分

如果您只想分析特定部分，也可以在程式碼中以程式設計方式使用 cProfile。

import cProfile

def fibonacci(n):
    if n 



<h3>
  
  
  第 2 步：優化您的 Python 程式碼
</h3>

<p>使用 cProfile 確定程式碼中的瓶頸後，就可以進行最佳化了。 </p>

<h4>
  
  
  常見的Python優化技術
</h4>

<ol>
<li>
<strong>使用內建函數</strong>：sum()、min() 和 max() 等內建函數在 Python 中經過高度最佳化，通常比手動實現的循環更快。 </li>
</ol>

<p>範例：<br>
</p>

<pre class="brush:php;toolbar:false">   # Before: Custom sum loop
   total = 0
   for i in range(1000000):
       total += i

   # After: Using built-in sum
   total = sum(range(1000000))

1. 避免不必要的函數呼叫：函數呼叫會產生開銷，尤其是在循環內。盡量減少多餘的呼叫。

範例：

   # Before: Unnecessary repeated calculations
   for i in range(1000):
       print(len(my_list))  # len() is called 1000 times

   # After: Compute once and reuse
   list_len = len(my_list)
   for i in range(1000):
       print(list_len)

1. Memoization：對於遞歸函數，您可以使用memoization來儲存昂貴的計算結果，以避免重複工作。

範例：

   from functools import lru_cache

   @lru_cache(maxsize=None)
   def fibonacci(n):
       if n 



<p>透過儲存每個遞歸呼叫的結果，大大加快了斐波那契計算的速度。 </p>

<h3>
  
  
  第 3 步：使用 PyPy 進行即時編譯
</h3>

<h4>
  
  
  什麼是 PyPy？
</h4>

<p>PyPy 是另一個 Python 解釋器，它使用即時 (JIT) 編譯來加速 Python 程式碼。 PyPy 將頻繁執行的程式碼路徑編譯為機器碼，使其比某些任務的標準 CPython 解譯器快得多。 </p>

<h4>
  
  
  Installing PyPy
</h4>

<p>You can install PyPy using a package manager like apt on Linux or brew on macOS:<br>
</p>

<pre class="brush:php;toolbar:false"># On Ubuntu
sudo apt-get install pypy3

# On macOS (using Homebrew)
brew install pypy3

Running Python Code with PyPy

Once PyPy is installed, you can run your script with it instead of CPython:

pypy3 my_script.py

Why Use PyPy?

• PyPy is ideal for CPU-bound tasks where the program spends most of its time in computation (e.g., loops, recursive functions, number-crunching).
• PyPy’s JIT compiler optimizes the code paths that are executed most frequently, which can result in significant speedups without any code changes.

Step 4: Combining cProfile and PyPy for Maximum Optimization

Now, let’s combine these tools to fully optimize your Python code.

Example Workflow

1. Profile your code using cProfile to identify bottlenecks.
2. Optimize your code using the techniques we discussed (built-ins, memoization, avoiding unnecessary function calls).
3. Run your optimized code with PyPy to achieve additional performance improvements.

Let’s revisit our Fibonacci example and put everything together.

from functools import lru_cache

@lru_cache(maxsize=None)
def fibonacci(n):
    if n 



<p>After optimizing the code with memoization, run it using PyPy for further performance improvements:<br>
</p>

<pre class="brush:php;toolbar:false">pypy3 fibonacci_script.py

Conclusion

By leveraging cProfile and PyPy, you can greatly optimize your Python code. Use cProfile to identify and address performance bottlenecks in your code. Then, use PyPy to further boost your program’s execution speed through JIT compilation.

In summary:

1. Profile your code with cProfile to understand performance bottlenecks.
2. Apply Python optimization techniques, such as using built-ins and memoization.
3. Run the optimized code on PyPy to achieve even better performance.

With this approach, you can make your Python programs run faster and more efficiently, especially for CPU-bound tasks.

Connect with me:
Github
Linkedin

以上是使用 cProfile 和 PyPy 模組優化 Python 程式碼：完整指南的詳細內容。更多資訊請關注PHP中文網其他相關文章！