当我不是服务器的根用户时，我使用lsprofcalltree.py并像这样运行我的程序：

python lsprofcalltree.py -o callgrind.1 test.py

然后我可以用任何callgrind兼容的软件打开报告，比如qcachegrind

一个很好的评测模块是line_profiler（使用kernprof.py脚本调用）。它可以在这里下载。

我的理解是，cProfile只提供每个函数花费的总时间的信息。因此，单独的代码行是不定时的。这是科学计算中的一个问题，因为通常一条线会花费很多时间。而且，我记得，cProfile没有抓住我在say numpy.dot上花费的时间。

我刚刚从pypref_time中开发了自己的分析器：

https://github.com/modaresimr/auto_profiler

更新版本2

安装：

pip install auto_profiler

快速入门：

from auto_profiler import Profiler

with Profiler():
    your_function()

在Jupyter中使用，可以实时查看已用时间

更新版本1

通过添加装饰器，它将显示一个耗时的函数树

@探查器（深度=4）

Install by: pip install auto_profiler

实例

import time # line number 1
import random

from auto_profiler import Profiler, Tree

def f1():
    mysleep(.6+random.random())

def mysleep(t):
    time.sleep(t)

def fact(i):
    f1()
    if(i==1):
        return 1
    return i*fact(i-1)

def main():
    for i in range(5):
        f1()

    fact(3)


with Profiler(depth=4):
    main()

示例输出

Time   [Hits * PerHit] Function name [Called from] [function location]
-----------------------------------------------------------------------
8.974s [1 * 8.974]  main  [auto-profiler/profiler.py:267]  [/test/t2.py:30]
├── 5.954s [5 * 1.191]  f1  [/test/t2.py:34]  [/test/t2.py:14]
│   └── 5.954s [5 * 1.191]  mysleep  [/test/t2.py:15]  [/test/t2.py:17]
│       └── 5.954s [5 * 1.191]  <time.sleep>
|
|
|   # The rest is for the example recursive function call fact
└── 3.020s [1 * 3.020]  fact  [/test/t2.py:36]  [/test/t2.py:20]
    ├── 0.849s [1 * 0.849]  f1  [/test/t2.py:21]  [/test/t2.py:14]
    │   └── 0.849s [1 * 0.849]  mysleep  [/test/t2.py:15]  [/test/t2.py:17]
    │       └── 0.849s [1 * 0.849]  <time.sleep>
    └── 2.171s [1 * 2.171]  fact  [/test/t2.py:24]  [/test/t2.py:20]
        ├── 1.552s [1 * 1.552]  f1  [/test/t2.py:21]  [/test/t2.py:14]
        │   └── 1.552s [1 * 1.552]  mysleep  [/test/t2.py:15]  [/test/t2.py:17]
        └── 0.619s [1 * 0.619]  fact  [/test/t2.py:24]  [/test/t2.py:20]
            └── 0.619s [1 * 0.619]  f1  [/test/t2.py:21]  [/test/t2.py:14]

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。

Scalene是一个新的python分析器，它涵盖了许多用例，对性能的影响最小：

https://github.com/plasma-umass/scalene

它可以在非常精细的水平上评测CPU、GPU和内存利用率。它还特别支持多线程/并行化的python代码。

我发现cprofiler和其他资源更多地用于优化目的，而不是调试。

我制作了自己的测试模块，用于简单的python脚本速度测试。（在我的例子中，使用ScriptProfilerPy测试了1K+行py文件，并在几分钟内将代码速度提高了10倍。

模块ScriptProfilerPy（）将运行代码，并向其添加时间戳。我把模块放在这里：https://github.com/Lucas-BLP/ScriptProfilerPy

Use:

from speed_testpy import ScriptProfilerPy

ScriptProfilerPy("path_to_your_script_to_test.py").Profiler()

输出：