Python Eficaz

Ordered by: cumulative time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 1.812 1.812 main.py:34(<lambda>)
1 0.003 0.003 1.812 1.812 main.py:10(insertion_sort)
10000 1.797 0.000 1.810 0.000 main.py:20(insert_value)
9992 0.013 0.000 0.013 0.000 {method 'insert' of 'list' objects}
8 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
Cada coluna das estatísticas de perfil tem um significado importante:
• ncalls: número de chamadas à função durante a coleta de perfis.
• tottime: tempo, em segundos, gasto executando a função, excluindo o tempo
de execução de outras funções chamadas por esta.
• tottime percall: tempo médio, em segundos, gasto na função a cada chamada,
excluindo o tempo de execução de outras funções chamadas por esta.
Estritamente, é tottime dividido por ncalls.
• cumtime: tempo acumulado, em segundos, gasto executando a função,
incluindo o tempo gasto com chamadas a outras funções e sua execução.
• cumtime percall: tempo médio, em segundos, gasto na função a cada
chamada, incluindo o tempo gasto com chamadas a outras funções e sua
execução. Estritamente, é cumtime dividido por ncalls.
Na tabela de estatísticas mostrada, é evidente o excesso de uso de CPU pela
função insert_value. O exemplo a seguir redefine essa função para usar o
módulo nativo bisect (consulte o Item 46: “Use algoritmos e estruturas de dados
nativos”):
from bisect import bisect_left
def insert_value(array, value):
i = bisect_left(array, value)
array.insert(i, value)
Podemos rodar o profiler novamente e gerar uma nova tabela de estatísticas de
perfil de desempenho. A nova função será muito mais rápida, com um tempo
cumulativo quase 100× menor que o da função insert_value anterior.
www.full-ebook.com