cProfile非常适合于分析，而kcachegrind非常适合于可视化结果。中间的pyprov2calltree处理文件转换。

python -m cProfile -o script.profile script.py
pyprof2calltree -i script.profile -o script.calltree
kcachegrind script.calltree

所需的系统包：

kcachegrind（Linux）、qcachegrind（MacOs）

Ubuntu上的设置：

apt-get install kcachegrind 
pip install pyprof2calltree

结果：

Python包括一个名为cProfile的分析器。它不仅给出了总的运行时间，而且还分别计算了每个函数的时间，并告诉每个函数被调用了多少次，从而很容易确定应该在哪里进行优化。

您可以从代码内部或从解释器调用它，如下所示：

import cProfile
cProfile.run('foo()')

更有用的是，您可以在运行脚本时调用cProfile：

python -m cProfile myscript.py

为了更简单，我制作了一个名为“profile.bat”的小批处理文件：

python -m cProfile %1

所以我要做的就是跑：

profile euler048.py

我得到了这个：

1007 function calls in 0.061 CPU seconds

Ordered by: standard name
ncalls  tottime  percall  cumtime  percall filename:lineno(function)
    1    0.000    0.000    0.061    0.061 <string>:1(<module>)
 1000    0.051    0.000    0.051    0.000 euler048.py:2(<lambda>)
    1    0.005    0.005    0.061    0.061 euler048.py:2(<module>)
    1    0.000    0.000    0.061    0.061 {execfile}
    1    0.002    0.002    0.053    0.053 {map}
    1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler objects}
    1    0.000    0.000    0.000    0.000 {range}
    1    0.003    0.003    0.003    0.003 {sum}

编辑：更新了2013年PyCon视频资源的链接，标题为Python评测也可以通过YouTube。

不久前，我制作了pycallgraph，它从您的Python代码生成可视化。编辑：我已经将示例更新为使用3.3，这是本文撰写时的最新版本。

在pip安装pycallgraph并安装GraphViz之后，您可以从命令行运行它：

pycallgraph graphviz -- ./mypythonscript.py

或者，您可以分析代码的特定部分：

from pycallgraph import PyCallGraph
from pycallgraph.output import GraphvizOutput

with PyCallGraph(output=GraphvizOutput()):
    code_to_profile()

其中任何一个都将生成类似下图的pycallgraph.png文件：

我发现，如果您不想使用命令行选项，该功能快速且易于使用。

要使用，只需在要分析的每个函数上方添加@profile。

def profile(fnc):
    """
    Profiles any function in following class just by adding @profile above function
    """
    import cProfile, pstats, io
    def inner (*args, **kwargs):
        pr = cProfile.Profile()
        pr.enable()
        retval = fnc (*args, **kwargs)
        pr.disable()
        s = io.StringIO()
        sortby = 'cumulative'   #Ordered
        ps = pstats.Stats(pr,stream=s).strip_dirs().sort_stats(sortby)
        n=10                    #reduced the list to be monitored
        ps.print_stats(n)
        #ps.dump_stats("profile.prof")
        print(s.getvalue())
        return retval
    return inner 

每个函数的输出如下

   Ordered by: cumulative time
   List reduced from 38 to 10 due to restriction <10>

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.000    0.000    0.002    0.002 3151212474.py:37(get_pdf_page_count)
        1    0.000    0.000    0.002    0.002 fitz.py:3604(__init__)
        1    0.001    0.001    0.001    0.001 {built-in method fitz._fitz.new_Document}
        1    0.000    0.000    0.000    0.000 fitz.py:5207(__del__)
        1    0.000    0.000    0.000    0.000 {built-in method fitz._fitz.delete_Document}
        1    0.000    0.000    0.000    0.000 fitz.py:4816(init_doc)
        1    0.000    0.000    0.000    0.000 fitz.py:5197(_reset_page_refs)
        1    0.000    0.000    0.000    0.000 fitz.py:4821(<listcomp>)
       11    0.000    0.000    0.000    0.000 fitz.py:4054(_getMetadata)
        1    0.000    0.000    0.000    0.000 weakref.py:241(values)

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

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：