這篇文章主要介紹“Python執行時間計算方法及優化實例分析”,在日常操作中,相信很多人在Python執行時間計算方法及優化實例分析問題上存在疑惑,小編查閱了各式資料,整理出簡單好用的操作方法,希望對大家解答”Python執行時間計算方法及優化實例分析”的疑惑有所幫助!接下來,請跟著小編一起來學習吧!
python腳本運行時間遠遠大於python腳本中統計的計算時間
猜想:
1.python中用到的是py2neo的寫數據異步,阻塞進程運行;
2.python腳本使用統計時間的方式是time.clock(),而這種方式統計的是CPU的執行時間,不是程序的執行時間。
程序執行時間 = CPU運行時間 + IO時間 + 休眠或等待時間
import asyncioimport datetimestarttime = datetime.datetime.now()# long running# do something otherasync def sayhi(): print("你好,若竹") await asyncio.sleep(10) print("用余生去守護")asyncio.run(sayhi())endtime = datetime.datetime.now()print(("程序運行時間為:")+ str((endtime-starttime).seconds)+"秒")
輸出:
你好,若竹
用余生去守護
程序運行時間為:10秒
datetime.datetime.now()獲取的是當前日期,在程序執行結束之後,這個方式獲得的時間值為程序執行的時間。
import asyncioimport datetimeimport timestarttime = time.time()# long running# do something otherasync def sayhi(): print("你好,若竹") await asyncio.sleep(10) print("用余生去守護")asyncio.run(sayhi())endtime = time.time()print("程序運行時間為:"+ str(float(endtime-starttime))+"秒")
輸出:
你好,若竹
用余生去守護
程序運行時間為:10.002257108688354秒
time.time()獲取自紀元以來的當前時間(以秒為單位)。如果系統時鐘提供它們,則可能存在秒的分數,所以這個地方返回的是一個浮點型類型。這裡獲取的也是程序的執行時間。
import asyncioimport datetimeimport timestarttime = time.clock()# long running# do something otherasync def sayhi(): print("你好,若竹") await asyncio.sleep(10) print("用余生去守護")asyncio.run(sayhi())endtime = time.clock()print("程序運行時間為:"+ str(float(endtime-starttime))+"秒")
輸出:
.\py_study.py:807: DeprecationWarning: time.clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time.perf_counter or time.process_time instead
starttime = time.clock()
你好,若竹
用余生去守護
.\py_study.py:818: DeprecationWarning: time.clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time.perf_counter or time.process_time instead
endtime = time.clock()
程序運行時間為:10.0219916秒
Deprecation Warning: time. clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time. perf_counter or time. process_time instead
棄用警告:時間。clock在Python 3.3中已棄用,並將從Python 3.8中移除:使用time。perf_counter或時間。process_time代替。
代碼如下:
import asyncioimport datetimeimport timestarttime = time.perf_counter()# long running# do something otherasync def sayhi(): print("你好,若竹") await asyncio.sleep(10) print("用余生去守護")asyncio.run(sayhi())endtime = time.perf_counter()print("程序運行時間為:"+ str(float(endtime-starttime))+"秒")
輸出:
你好,若竹
用余生去守護
程序運行時間為:10.060287599999999秒
編程語言的效率一方面指開發效率,即程序員完成編碼所需的時間,另一方面是運行效率,即計算任務所需的時間。編碼效率和運行效率往往很難兼顧。
1.python 是動態語言,造成運行時的不確定性影響運行效率;
動態語言是一類在運行時可以改變其結構的語言,如新的函數、對象、代碼可以被引入,已有的函數可以被刪除或其他結構上的變化等,該類語言更具有活性,但是不可避免的因為運行時的不確定性也影響運行效率。數據的比較和轉換類型的開銷很大,每次讀取、寫入或引用一個變量,都要檢查類型。很難優化一種極具動態性的語言。Python的許多替代語言之所以快得多,原因在於它們為了性能在靈活性方面作出了犧牲。
2.python 是解釋執行,不支持JIT(just in time compiler);
相比於C語言編譯性語言編寫的程序,Python是解釋執行語言,其運行過程是Python運行文件程序時,Python解釋器將源代碼轉換為字節碼,然後再由Python解釋器來執行這些字節碼。其每次運行都要進行轉換成字節碼,然後再由虛擬機把字節碼轉換成機器語言,最後才能在硬件上運行,與編譯性語言相比,其過程更復雜,性能肯定會受影響。
3.python 中一切皆對象,每個對象都需要維護引用計數,增加額外工作;
Python是一門面向對象的編程語言,其設計理念是一切皆是對象,如數字、字符串、元組、列表、字典、函數、方法、類、模塊等都是對象,包括代碼,每個對象都需要維護引用計數,因此,增加了額外工作,影響了性能。
4.python GIL,全局解釋器鎖導致無法實現真正的並發;
GIL是Python最為诟病的一點,因為GIL,Python中的多線程並不能真正的並發,即使在單線程,GIL也會帶來很大的性能影響,因為python每執行100個opcode就會嘗試線程的切換,因此,影響Python運行效率。
5.垃圾回收機制,會中斷正在執行的程序,造成所謂的卡頓;
Python采用標記和分代的垃圾回收策略,每次垃圾回收的時候都會中斷正在執行的程序,造成所謂的頓卡,影響運行效率。
1.優化算法:時間復雜度
算法的時間復雜度對程序的執行效率影響最大,在python 中可以通過選擇合適的數據結構來優化時間復雜度,如list和set查找某一個元素的時間復雜度分別是O(n)和O(1).不同的場景有不同的優化方式,總的來說,一般有分治,分支界限,貪心,動態規劃等。
20減少冗余數據
如用上三角或下三角的方式去保存一個大的對稱矩陣。在0元素占大多數的矩陣裡使用稀疏矩陣表示。
3.合理使用copy與deepcopy
對於dict和list等數據結構的對象,直接賦值使用的是引用的方式。而有些情況下需要復制整個對象,這時可以使用copy包裡的copy和deepcopy,這兩個函數的不同之處在於後者是遞歸復制的。效率也不一樣:(以下程序在ipython中運行)
4.使用dict或set查找元素
5.合理使用生成器(generator)和yield
6.優化循環
7.優化包含多個判斷表達式的順序
8.使用join合並迭代器中的字符串
9.選擇合適的格式化字符方式
10.不借助中間變量交換兩個變量的值
11.使用if is
12.使用級聯比較x < y < z
13.while 1 比 while True 更快
14.使用**而不是pow
15.使用 cProfile, cStringIO 和 cPickle等用c實現相同功能(分別對應profile, StringIO, pickle)的包
16.使用最佳的反序列化方式
17.使用C擴展(Extension)
18.並行編程
19.終級大殺器:PyPy
20.使用性能分析工具
到此,關於“Python執行時間計算方法及優化實例分析”的學習就結束了,希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習,快去試試吧!若想繼續學習更多相關知識,請繼續關注億速雲網站,小編會繼續努力為大家帶來更多實用的文章!