2.1 高效地剖析

剖析的首要目标是对有代表性的系统进行测试，找出速度缓慢（或占用RAM过多、导致大量磁盘I/O或网络I/O）的部分。剖析通常会带来额外的开销（通常可能导致速度变为原来的1/100～1/10），而你希望在尽可能接近实际情况的环境中运行代码。因此，你需要提取测试用例，并将要测试的系统部分隔离——最理想的情况是它位于一组独立的模块中。

本章首先介绍最基本的剖析方法，这包括IPython命令%timeit、函数time.time()以及计时装饰器。你可以使用这些方法来搞清楚语句和函数的行为。

然后，本章介绍了cProfile（见2.6节），演示了如何使用内置工具cProfile来搞清楚代码中哪些函数耗时最长。这让你能够对问题有大致认识，进而专注于那些关键函数。

接下来，本章介绍line_profiler（见2.8节），line_profiler让你能够逐行剖析选定的函数，结果包括每行的执行次数及时间占比，这些信息让你能够知道哪些代码运行缓慢以及其中的原因。

有了line_profiler的结果后，你就掌握了接着使用编译器所需的信息（见第7章）。

在第6章，你将学习如何使用perf stat来搞明白以下两个方面：最终在CPU中执行了多少个指令；CPU缓存的利用情况。这让你能够对矩阵运算进行高级优化。阅读完本章后，你就应该去看看示例6-8。

如果要优化的是长期运行的系统，则使用line_profiler进行剖析后，你还可能想使用py-spy来了解正在运行的Python进程。

为帮助你搞明白RAM占用量高的原因，我们将演示memory_profiler（见2.9节）。它特别适用于在带标注的图表中跟踪一段时间内RAM的占用量，让你能够向同事解释有些函数的RAM占用量超过预期的原因。

警告：不管使用哪种代码剖析方法，都别忘了单元测试的代码覆盖率必须足够高。单元测试有助于避免愚蠢的错误、确保结果可重现。没有单元测试，你将身处险境。

务必先对代码进行剖析，再编译或重写算法，因为要确定提高代码速度的最有效方式，必须有理有据。

接下来，本章将介绍CPython中的Python字节码（见2.11.1节），这让你能够知道幕后发生的事情。具体地说，知道基于栈的Python虚拟机的工作原理后，有助于你明白为何有些编码方式的运行速度比其他方式要慢。

然后本章将复习如何在剖析过程中结合使用单元测试，在提高代码运行效率的同时确保它们正确无误（见2.12节）。

最后，本章将讨论剖析策略（见2.13节），让你能够可靠地剖析代码，并收集验证假设所需的正确数据。届时你将了解到，动态CPU频率缩放（CPU frequency scaling）以及诸如Turbo Boost等特性可能导致剖析结果不准确，因此你将学习如何禁用它们。

为演示前述各种剖析步骤，我们需要一个易于分析的函数。2.2节将介绍朱利亚集合，这是一个内存占用量较高的CPU密集型函数，它还具有非线性特征（即结果难以预测），这意味着需要在运行时进行剖析，而无法做离线分析。