Python是一种解释性的语言，执行速度相比C、C++等语言比较缓慢；我们需要在其它地方上下功夫来提高代码的执行速度。首先需要对代码进行分析，这个时候则需要用一些性能测试工具：
一、 Module time
time.time
最普通的手段就是时间之差，其它编程语言中也都会到过此方法：
>>> from time import time
>>> def fib(n):
if n<3:return 1
return fib(n-1)+fib(n-2)
>>> t = time(); fib(30); time()-t
832040
0.4218752384185791
>>> t = time(); fib(35); time()-t
9227465
4.656255722045898
>>> t = time(); fib(40); time()-t
102334155
51.281249046325684
>>> 斐波那契数列未改进的递归是比较耗时的，就专门以它为例了。
除time()函数外，时间库里可用来计时的函数有很多，还成对的(_ns后缀的以纳秒为单位)：
time.time()
time.time_ns()time.monotonic()
time.monotonic_ns()time.perf_counter()
time.perf_counter_ns()time.process_time()
time.process_time_ns()time.thread_time()
time.thread_time_ns()
区别一：
time 时间戳表示的是从1970年1月1日00:00:00开始按秒计算的偏移量
monotonic 表示的是从操作系统的启动时间开始按秒计算的偏移量
perf_counter 表示的是从程序的启动时间开始按秒计算的偏移量，如下面所举的例子中，它的返回值(613.323613)表示Python IDLE Shell窗口打开的时间。
如把perf_counter()放在源程序未尾结束处(比如放在语句_exit(0)前)就不用计算差值，返回的时间就是程序从启动到退出的时间。
>>> from time import time,monotonic,perf_counter
>>> time()
1633249386.5061808
>>> monotonic()
4594.25
>>> perf_counter()
613.323613
>>> 区别二：
处理进程、线程时间的不受sleep影响
>>> from time import time,sleep,process_time,thread_time
>>> def fib(n):
if n<3:return 1
return fib(n-1)+fib(n-2)
>>> t = time(); fib(30); time()-t
832040
0.432178258895874
>>> t = thread_time(); fib(30); thread_time()-t
832040
0.421875
>>> t = time(); sleep(1); fib(30); sleep(1); time()-t
832040
2.463411569595337
>>> t = process_time(); sleep(1); fib(30); sleep(1); process_time()-t
832040
0.421875
>>> t = thread_time(); sleep(1); fib(30); sleep(1); thread_time()-t
832040
0.4375
>>> 二、 Module timeit
比较适合测试小段代码：
>>> from timeit import timeit
>>> timeit(stmt='a=10;b=10;sum=a+b')
0.11455389999997578
>>> timeit(stmt='a=10;b=10;sum=a+b',number=10000)
0.0013638000000355532
>>> 程序中的使用如下：
import timeit
def fib(n):
if n<3:return 1
return fib(n-1)+fib(n-2)
if __name__ == '__main__':
tm = timeit.Timer('fib(40)', 'from __main__ import fib')
print(tm.timeit(1))
注意： .timeit() 的参数number默认值为1000000，上例中tm.timeit()不用参数的话停不了
这个模块还能在DOS命令窗口下执行：
D:\>python -m timeit -n 30 -s "import random" "[random.random() for i in range(100000)]"
30 loops, best of 5: 23.1 msec per loop
三、 Module cProfile
这个模块除了给出调用时间，还报告函数调用次数：
>>> from cProfile import Profile
>>> f = lambda n:1 if n<3 else f(n-1)+f(n-2)
>>> cp = Profile()
>>> cp.enable(); n = f(30); cp.disable()
>>> cp.print_stats()
1664081 function calls (3 primitive calls) in 1.007 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1664079/1 1.007 0.000 1.007 1.007 <pyshell#70>:1(<lambda>)
1 0.000 0.000 0.000 0.000 rpc.py:614(displayhook)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
>>> 2*f(30)-1
1664079
>>> 为什么f(30)的调用次数ncalls = 2*f(30)-1，因为我用傻办法验证过所以我知道。
这个模块还能在DOS命令窗口下执行：
D:\>python -m cProfile -s cumulative test1.py
350 function calls (343 primitive calls) in 0.002 secondsOrdered by: cumulative time
ncalls tottime percall cumtime percall filename:lineno(function)
3/1 0.000 0.000 0.002 0.002 {built-in method builtins.exec}
1 0.000 0.000 0.002 0.002 test1.py:1(<module>)
2/1 0.000 0.000 0.002 0.002 <frozen importlib._bootstrap>:986(_find_and_load)
2/1 0.000 0.000 0.002 0.002 <frozen importlib._bootstrap>:956(_find_and_load_unlocked)
2/1 0.000 0.000 0.001 0.001 <frozen importlib._bootstrap>:650(_load_unlocked)
2 0.000 0.000 0.001 0.000 <frozen importlib._bootstrap>:890(_find_spec)
1 0.000 0.000 0.001 0.001 <frozen importlib._bootstrap_external>:777(exec_module)
1 0.000 0.000 0.001 0.001 <frozen importlib._bootstrap_external>:1334(find_spec)
1 0.000 0.000 0.001 0.001 <frozen importlib._bootstrap_external>:1302(_get_spec)
4 0.000 0.000 0.001 0.000 <frozen importlib._bootstrap_external>:1431(find_spec)
6 0.000 0.000 0.001 0.000 <frozen importlib._bootstrap_external>:80(_path_stat)
6 0.001 0.000 0.001 0.000 {built-in method nt.stat}...........省略很多行..........
四、 Module line_profiler
运行时间逐行分析报告，测试文件test1.py源码如下：
@profile
def fib(n):
if n<3:return 1
return fib(n-1)+fib(n-2)
if __name__ == '__main__':
print(fib(30))
不用import导入，只在测试函数前加上装饰器 @profile ，测试在DOS窗口进行：
D:\>kernprof -l -v test1.py
832040
Wrote profile results to test1.py.lprof
Timer unit: 1e-06 sTotal time: 3.07291 s
File: test1.py
Function: fib at line 1Line # Hits Time Per Hit % Time Line Contents
==============================================================
1 @profile
2 def fib(n):
3 1664079 1341610.0 0.8 43.7 if n<3:return 1
4 832039 1731304.5 2.1 56.3 return fib(n-1)+fib(n-2)
D:\>
五、Module memory_profiler
内存使用逐行分析报告，使用方法基本同上还是测试test1.py，命令如下：
D:\>python -m memory_profiler test1.py
832040
Filename: test1.pyLine # Mem usage Increment Occurences Line Contents
============================================================
1 29.203 MiB -139766.219 MiB 1664079 @profile
2 def fib(n):
3 29.203 MiB -139795.418 MiB 1664079 if n<3:return 1
4 29.203 MiB -69899.141 MiB 832039 return fib(n-1)+fib(n-2)
六、Module guppy
查看对象占用的堆内存大小
此模块安装时碰到：
error: Microsoft Visual C++ 14.0 is required. Get it with "Build Tools for Visual Studio": https://visualstudio.microsoft.com/downloads/
需要VC++14，所以没装没能亲测，大致用法：
from guppy import hpy import gc hp = hpy() ast = parse_file('filename') gc.collect() h = hp.heap() print(h)
以上涉及的所有模块，都可以在dos窗口下验证有无或者在线安装：
D:\>pip show xxModule
WARNING: Package(s) not found: xxModuleD:\>pip install xxModule