0Pricing
Python Academy · Lektion

Profiling mit cProfile und line_profiler

Finden Sie CPU-Hotspots mit cProfile und zeilenweisem Profiling.

Profiling mit cProfile und line_profiler ist eine kostenlose Python Academy-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Python Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Python Academy-Kurs umfasst insgesamt 4 Lektionen.

Warum profilieren?

Profiling zeigt, welche Funktionen am meisten Zeit benötigen, und lenkt dadurch Optimierungsmaßnahmen. Profilen Sie immer vor dem Optimieren – raten Sie niemals.

import cProfile

def slow():
    total = 0
    for i in range(1_000_000):
        total += i
    return total

cProfile.run("slow()")

cProfile über die CLI ausführen

Profilieren Sie ein vollständiges Skript, ohne es zu verändern: python -m cProfile -s cumtime script.py. Sortieren Sie nach cumtime, tottime oder calls.

# python -m cProfile -s cumtime my_script.py
#
# ncalls  tottime  percall  cumtime  percall filename:lineno(function)
#   1000    0.500    0.001    2.100    0.002 utils.py:10(process)

cProfile im Code

Erstellen Sie ein cProfile.Profile, aktivieren und deaktivieren Sie es und geben Sie anschließend die Statistiken mit pstats aus.

import cProfile, pstats, io

pr = cProfile.Profile()
pr.enable()

# ... code to profile ...

pr.disable()
stream = io.StringIO()
ps = pstats.Stats(pr, stream=stream).sort_stats("cumulative")
ps.print_stats(10)   # top 10
print(stream.getvalue())

Filtern mit pstats

Filtern Sie die Ausgabe des Profilers mit print_stats(pattern) auf ein bestimmtes Modul oder ein Muster für Funktionsnamen.

import cProfile, pstats

cProfile.run("my_function()", "profile.out")
stats = pstats.Stats("profile.out")
stats.sort_stats("tottime")
stats.print_stats("mymodule")   # only mymodule functions

line_profiler

line_profiler zeigt die Ausführungszeit pro Zeile und nicht nur pro Funktion an – unverzichtbar, um die zeitintensivste Zeile innerhalb einer Funktion zu finden.

# pip install line_profiler
# Decorate target function:
from line_profiler import profile

@profile
def process(data):
    result = []
    for item in data:          # <- which line is slow?
        result.append(item*2)
    return result

# Run: kernprof -l -v script.py

kernprof-CLI

kernprof -l script.py führt das Skript mit aktiviertem Zeilen-Profiling aus; -v zeigt den Bericht sofort an.

# kernprof -l -v script.py
#
# Line #  Hits  Time  Per Hit  % Time  Line Contents
# ======================================================
#     4    1  2.0   2.0       1.0    result = []
#     5  1000  120.0  0.1     60.0    for item in data:
#     6  1000   80.0  0.1     39.0        result.append(item*2)

Profiling in Jupyter

Jupyter stellt die Magic-Befehle %prun (cProfile) und %lprun (line_profiler) bereit.

# In a Jupyter cell:
# %prun -s cumulative my_function(data)

# %load_ext line_profiler
# %lprun -f my_function my_function(data)

Hotspots identifizieren

Konzentrieren Sie sich auf die Funktionen mit der höchsten kumulativen Zeit (die gesamte Aufrufkette) und der höchsten Gesamtzeit (die Funktion selbst, ohne aufgerufene Funktionen).

# cumtime = total time including callees (find root cause)
# tottime = time in function itself (find where work happens)
#
# Optimise the function with highest tottime first

Vorzeitige Optimierung vermeiden

Profilieren Sie zuerst und optimieren Sie anschließend den gemessenen Engpass. Häufige Beschleunigungen in Python sind: integrierte Funktionen verwenden, Schleifen nach NumPy verlagern, wiederholte Suchvorgänge zwischenspeichern oder C über ctypes/cffi aufrufen.

# Before optimising:
# profile shows: process_row() 95% of time

# Speedup: vectorise with NumPy
import numpy as np
arr = np.array(data)
result = arr * 2   # 100x faster than Python loop

py-spy: Sampling-Profiler

py-spy profiliert laufende Prozesse, ohne den Code zu verändern – hängen Sie es an eine laufende PID an.

# pip install py-spy

# Profile for 30 s and show flamegraph:
# py-spy top --pid 12345
# py-spy record -o profile.svg --pid 12345 --duration 30

Benchmarking mit timeit

Verwenden Sie timeit für Microbenchmarks bestimmter Ausdrücke.

import timeit

result = timeit.timeit(
    "[x*2 for x in range(1000)]",
    number=10_000
)
print(f"{result:.3f} s for 10k runs")

Kurzer Test

Was zeigt tottime in einem cProfile-Bericht an?

Zusammenfassung

Verwenden Sie cProfile, um langsame Funktionen zu finden, und line_profiler, um die langsame Zeile zu ermitteln. Profilieren Sie mit -s cumtime, um die Ursachen zu finden. Optimieren Sie nur nachgewiesene Hotspots – verwenden Sie NumPy-Vektorisierung, Caching oder C-Erweiterungen für die größten Verbesserungen.

Häufig gestellte Fragen

Ist die Lektion „Profiling mit cProfile und line_profiler“ kostenlos?

Ja — der vollständige Text von „Profiling mit cProfile und line_profiler“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Python Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Python Academy-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Profiling mit cProfile und line_profiler“?

Finden Sie CPU-Hotspots mit cProfile und zeilenweisem Profiling. Du übst Python Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um Python Academy zu starten?

Keine Vorkenntnisse erforderlich. Python Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.

Wie lange dauert die Lektion „Profiling mit cProfile und line_profiler“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser Python Academy-Lektion Code schreiben und ausführen?

Ja. Jede Python Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

  1. Referenzzählung in CPython
  2. Der Garbage Collector und zyklische Referenzen
  3. Profiling mit cProfile und line_profiler
  4. Speicherprofiling mit tracemalloc
← Zurück zu Python Academy