Python Eficaz

>>>
20242 function calls in 0.208 seconds
Ordered by: cumulative time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.208 0.208 main.py:176(my_program)
20 0.005 0.000 0.206 0.010 main.py:168(first_func)
20200 0.203 0.000 0.203 0.000 main.py:161(my_utility)
20 0.000 0.000 0.002 0.000 main.py:172(second_func)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
A função my_utility é claramente a causa da maior parte do tempo de execução,
mas fica imediatamente óbvio o porquê de a função ser chamada tantas vezes. Se
procurarmos no código-fonte, encontraremos muitos lugares em que my_utility é
chamada e isso não contribuirá em nada para diminuir nossa confusão.
Para lidar com o problema, o Python profiler oferece uma maneira de conferir
quais chamadores contribuíram para a informação de perfil em cada função.
stats.print_callers()
A tabela de estatísticas de perfil de desempenho mostra, à esquerda, as funções
chamadas e, à direita, quem foi responsável por fazer a chamada. Fica bastante
claro que first_func é quem mais chama my_utility:
>>>
Ordered by: cumulative time
Function
was called by...
ncalls tottime cumtime
main.py:176(my_program) <-
main.py:168(first_func) <- 20 0.005 0.206 main.py: 176(my_program)
main.py:161(my_utility) <- 20000 0.202 0.202 main.py: 168(first_func)
200 0.002 0.002 main.py:172(second_func)
main.py:172(second_func) <- 20 0.000 0.002 main.py: 176(my_program)
Lembre-se
• É importante traçar o perfil de desempenho dos programas em Python antes
de otimizar o código porque a origem dos episódios de lentidão pode ser
obscura.
• Use o módulo cProfile em vez do módulo profile porque as informações de
www.full-ebook.com