监控Python内存使用情况和代码执行时间

　　我的代码的哪些部分运行时间最长、内存最多？我怎样才能找到需要改进的地方？
　　在开发过程中，我很确定我们大多数人都会想知道这一点，而且通常情况下存在开发空间。在本文中总结了一些方法来监控Python代码的时间和内存使用情况。
　　本文将介绍4种方法，前3种方法提供时间信息，第4个方法可以获得内存使用情况。time模块time魔法命令lineprofilermemoryprofilertime模块
　　这是计算代码运行所需时间的最简单、最直接（但需要手动开发）的方法。他的逻辑也很简单：记录代码运行之前和之后的时间，计算时间之间的差异。这可以实现如下：
　　importtime
　　starttimetime。time（）
　　result52
　　endtimetime。time（）
　　print（Timetaken｛｝sec。format（endtimestarttime））
　　下面的例子显示了for循环和列表推导式在时间上的差异：importtimeforloopvs。listcomplistcompstarttimetime。time（）result〔iforiinrange（0，1000000）〕listcompendtimetime。time（）print（Timetakenforlistcomp｛｝sec。format（listcompendtimelistcompstarttime））result〔〕forloopstarttimetime。time（）foriinrange（0，1000000）：result。append（i）forloopendtimetime。time（）print（Timetakenforforloop｛｝sec。format（forloopendtimeforloopstarttime））listcomptimelistcompendtimelistcompstarttimeforlooptimeforloopendtimeforloopstarttimeprint（Difference｛｝。format（（forlooptimelistcomptime）listcomptime100））
　　我们都知道for会慢一些Timetakenforlistcomp0。05843973159790039secTimetakenforforloop0。06774497032165527secDifference15。922795107582594time魔法命令
　　魔法命令是IPython内核中内置的方便命令，可以方便地执行特定的任务。一般情况下都实在jupyternotebook种使用。
　　在单元格的开头添加time，单元格执行完成后，会输出单元格执行所花费的时间。timedefconvertcms（cm，unitm）：Functiontoconvertcmtomorfeetifunitm：returncm100returncm30。48convertcms（1000）
　　结果如下：CPUtimes：user24s，sys：1s，total：25sWalltime：28。1sOut〔8〕：10。0
　　这里的CPUtimes是CPU处理代码所花费的实际时间，Walltime是事件经过的真实时间，在方法入口和方法出口之间的时间。lineprofiler
　　前两个方法只提供执行该方法所需的总时间。通过时间分析器我们可以获得函数中每一个代码的运行时间。
　　这里我们需要使用lineprofiler包。使用pipinstalllineprofiler。importlineprofilerdefconvertcms（cm，unitm）：Functiontoconvertcmtomorfeetifunitm：returncm100returncm30。48LoadtheprofilerloadextlineprofilerUsetheprofilersmagictocallthemethodlprunfconvertcmsconvertcms（1000，f）
　　输出结果如下：Timerunit：1e06sTotaltime：4e06sFile：varfoldersyff7m0c146ddrrmctd4vpkh0000gnTipykernel22452382784489。pyFunction：convertcmsatline1LineHitsTimePerHitTimeLineContents1defconvertcms（cm，unitm）：23Functiontoconvertcmtomorfeet4512。02。050。0ifunitm：6returncm100712。02。050。0returncm30。48
　　可以看到lineprofiler提供了每行代码所花费时间的详细信息。LineContents：运行的代码Hits：行被执行的次数Time：所花费的总时间（即命中次数x每次命中次数）PerHit：一次执行花费的时间，也就是说TimeHitsXPerHitTime：占总时间的比例
　　可以看到，每一行代码都详细的分析了时间，这对于我们分析时间相当的有帮助。memoryprofiler
　　与lineprofiler类似，memoryprofiler提供代码的逐行内存使用情况。
　　要安装它需要使用pipinstallmemoryprofiler。我们这里监视convertcmsf函数的内存使用情况fromconversionsimportconvertcmsfimportmemoryprofilerloadextmemoryprofilermprunfconvertcmsfconvertcmsf（1000，f）
　　convertcmsf函数在单独的文件中定义，然后导入。结果如下：LineMemusageIncrementOccurrencesLineContents163。7MiB63。7MiB1defconvertcmsf（cm，unitm）：23Functiontoconvertcmtomorfeet4563。7MiB0。0MiB1ifunitm：6returncm100763。7MiB0。0MiB1returncm30。48
　　memoryprofiler提供对每行代码内存使用情况的详细了解。
　　这里的1MiB（MebiByte）几乎等于1MB。1MiB1。0485761MB
　　但是memoryprofiler也有一些缺点：它通过查询操作系统内存，所以结果可能与python解释器略有不同，如果在会话中多次运行mprun，可能会注意到增量列报告所有代码行为0。0MiB。这是因为魔法命令的限制导致的。
　　虽然memoryprofiler有一些问题，但是它就使我们能够清楚地了解内存使用情况，对于开发来说是一个非常好用的工具总结
　　虽然Python并不是一个以执行效率见长的语言，但是在某些特殊情况下这些命令对我们还是非常有帮助的。
　　作者：Rishikeshavan