在Virtaal的源代码中，有一个非常有用的类和装饰器，它可以使分析（甚至对于特定的方法/函数）非常简单。然后可以在KCacheGrind中非常舒适地查看输出。

gprof2dot_magic公司

gprof2dot的神奇函数，用于在JupyterLab或Jupyter Notebook中将任何Python语句作为DOT图进行评测。

GitHub回购：https://github.com/mattijn/gprof2dot_magic

安装

确保您有Python包gprof2dot_magic。

pip install gprof2dot_magic

它的依赖关系gprof2dot和graphviz也将被安装

用法

要启用magic函数，首先加载gprof2dot_magic模块

%load_ext gprof2dot_magic

然后将任何行语句配置为DOT图，如下所示：

%gprof2dot print('hello world')

我最近创建了金枪鱼，用于可视化Python运行时和导入配置文件；这在这里可能会有所帮助。

使用安装

pip install tuna

创建运行时配置文件

python3 -m cProfile -o program.prof yourfile.py

或导入配置文件（需要Python 3.7+）

python3 -X importprofile yourfile.py 2> import.log

那就把金枪鱼放在档案里

tuna program.prof

对于像austin这样的统计分析器，不需要检测，这意味着您可以简单地使用

austin python3 my_script.py

原始输出不是很有用，但您可以将其传输到flamegraph.pl以获得该数据的火焰图表示，该火焰图提供了时间（以微秒为单位的实时）的细分。

austin python3 my_script.py | flamegraph.pl > my_script_profile.svg

或者，您也可以使用web应用程序Speedscope.app快速可视化收集的样本。如果您安装了pprof，还可以获取austin python（例如，pipx安装austin python）并使用austin2prof转换为pprof格式。

然而，如果您安装了VS Code，您可以使用Austin扩展来获得更交互式的体验，包括源代码热图、顶级函数和收集的调用堆栈

如果您想使用终端，也可以使用TUI，它也具有实时图形模式：

获取IPython笔记本上的快速配置文件统计信息。人们可以将line_profiler和memory_profile直接嵌入到笔记本中。

另一个有用的包是Pympler。它是一个强大的评测包，能够跟踪类、对象、函数、内存泄漏等。

了解了！

!pip install line_profiler
!pip install memory_profiler
!pip install pympler

加载它！

%load_ext line_profiler
%load_ext memory_profiler

使用它！

---

%时间

%time print('Outputs CPU time,Wall Clock time') 
#CPU times: user 2 µs, sys: 0 ns, total: 2 µs Wall time: 5.96 µs

给予：

CPU时间：CPU级执行时间systimes:系统级执行时间总计：CPU时间+系统时间墙上时间：墙上时钟时间

---

%计时

%timeit -r 7 -n 1000 print('Outputs execution time of the snippet') 
#1000 loops, best of 7: 7.46 ns per loop

给出给定循环次数（n）中的最佳运行次数（r）。输出系统缓存的详细信息：当代码片段被多次执行时，系统会缓存一些操作并不再执行，这可能会影响概要文件报告的准确性。

---

%普鲁士人

%prun -s cumulative 'Code to profile' 

给予：

函数调用数（ncall）每个函数调用有个条目（不同）每次呼叫所用时间（百分比）到函数调用为止的时间（cumtime）调用的函数/模块的名称等。。。

---

%记忆，记忆

%memit 'Code to profile'
#peak memory: 199.45 MiB, increment: 0.00 MiB

给予：

内存使用情况

---

%低压运行

#Example function
def fun():
  for i in range(10):
    print(i)

#Usage: %lprun <name_of_the_function> function
%lprun -f fun fun()

给予：

按行统计

---

系统大小

sys.getsizeof('code to profile')
# 64 bytes

返回对象的大小（以字节为单位）。

---

来自pympler的asizeof（）

from pympler import asizeof
obj = [1,2,("hey","ha"),3]
print(asizeof.asizeof(obj,stats=4))

pympler.asizeof可用于调查某些Python对象消耗多少内存。与sys.getsizeof不同，asizeof递归地调整对象大小

---

来自pympler的跟踪器

from pympler import tracker
tr = tracker.SummaryTracker()
def fun():
  li = [1,2,3]
  di = {"ha":"haha","duh":"Umm"}
fun()
tr.print_diff()

跟踪函数的生存期。

Pympler包包含大量用于评测代码的高实用函数。这里无法涵盖所有这些。有关详细的概要文件实现，请参阅随附的文档。

Pympler文档

pprofile文件

line_profiler（此处已介绍）也启发了pprofile，其描述如下：

行粒度、线程感知确定性和统计纯python剖面仪

它提供了line_profiler的行粒度，是纯Python，可以用作独立命令或模块，甚至可以生成callgrind格式的文件，这些文件可以很容易地使用[k|q]cachegrind进行分析。

vprof公司

还有vprof，一个Python包，描述如下：

[…]为各种Python程序特性（如运行时间和内存使用）提供丰富的交互式可视化。