@H_404_0@背景：

@H_404_0@Python是一种解释性的语言，执行速度相比C、C++等语言十分缓慢；因此我们需要在其它地方上下功夫来提高代码的执行速度。

@H_404_0@首先需要对代码进行分析，这个时候则需要用一些工具。

@H_404_0@这里介绍cProfile：

@H_404_0@全代码分析：

@H_404_0@命令行:

cProfile -s tottime your_program.py

@H_404_0@结果如下：

ncalls tottime percall cumtime percall filename:lineno(function)
  66  0.001  0.000  11.850  0.180 base.py:228(micro_service)
  66  0.003  0.000  11.849  0.180 tools.py:557(micro_service)
 1056  0.001  0.000  11.073  0.010 connection.py:463(drain_events)
 1056  0.015  0.000  11.072  0.010 connection.py:466(blocking_read)
 1056  0.008  0.000  10.920  0.010 transport.py:233(read_frame)
 3168  0.014  0.000  10.908  0.003 transport.py:370(_read)
 3168  10.892  0.003  10.892  0.003 {method 'recv' of '_socket.socket' objects}
  66  0.001  0.000  9.814  0.149 rpc.py:350(__call__)
  66  0.001  0.000  8.395  0.127 rpc.py:329(result)

@H_404_0@块分析:

@H_404_0@上面属于文件分析,但是我们可能只对部分代码感兴趣，那么只需要在这部分代码的前后加上下面这两段代码即可：

import cProfile
cp = cProfile.Profile()
cp.enable()
YOUR CODE
cp.disable()
cp.print_stats()

@H_404_0@结果与全代码分析的类似，但是只包含你感兴趣的部分。

@H_404_0@行分析:

@H_404_0@行分析需要安装line_profiler：

pip install line_profiler

@profile
def class_name()
	pass

@H_404_0@然后在命令行输入：

kernprof -l -v your_code.py
-l 逐行分析
-v 立即查看结果

@H_404_0@示例：

from cProfile import Profile as profile
from pstats import Stats
def ():
	p = profile()
	p.snapshot_stats()
	p.enable() 

	p.disable()
	p.print_stats(2) # 按照调用累加总耗时累加排序，即将最耗时的函数最优先
	p.dump_stats("call.log")

@H_404_0@关于profile和cProfile的更多链接，请点击：

@H_404_0@https://docs.python.org/3/library/profile.html?spm=5176.100239.0.0.qa5fU5

@H_404_0@以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。