profile和line_profiler兩個模塊都是性能分析工具。有時候需要找到代碼中運行速度較慢處或瓶頸，可以通過這兩模塊實現，而不再使用time計時。
line_profiler模塊可以記錄每行代碼的運行時間和耗時百分比。
memory_profiler模塊用來監控進程，記錄每行代碼的內存使用狀況。
profile是python自帶性能分析模塊。line_profiler和memory_profiler模塊都需要自行安裝。
profile
常用方法
profile.run(statement, filename=None, sort=-1)
#filename用來設置輸出文件，默認直接打印
輸出結果的各項含義：
| 名稱 | 含義 |
|---|---|
| ncalls | 函數被調用次數 |
| tottime | 函數（除去子函數）總運行時間 |
| percall | 平均時間，等於tottime/ncalls |
| cumtime | 函數（包括子函數）總運行時間 |
| percall | 平均時間，等於cumtime/ncalls |
| filename | 文件：行號（函數） |
基於上述信息可以分析代碼性能，通過filename可以知道哪個文件第幾行的啥函數運行了多少次，運行時間多少。
示例
import profile
a=[[1,5],[2,3],[6,6],[0,0]]
profile.run('sorted(a,key=lambda x:x[1])')
'''
9 function calls in 0.000 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.000 0.000 :0(exec)
1 0.000 0.000 0.000 0.000 :0(setprofile)
1 0.000 0.000 0.000 0.000 :0(sorted)
4 0.000 0.000 0.000 0.000 <string>:1(<lambda>)
1 0.000 0.000 0.000 0.000 <string>:1(<module>)
0 0.000 0.000 profile:0(profiler)
1 0.000 0.000 0.000 0.000 profile:0(sorted(a,key=lambda x:x[1]))
'''
#通過上述結果，可以看出string中第1行的lambda函數運行了四次
也可以先生成Profiler實例對象，再run：
p=profile.Profile()
p.run('sum') #<profile.Profile at 0x7f01ca552c18>
p.print_stats() #將性能打印出來
line_profiler
常用方法
該模塊常通過裝飾器來使用。在安裝好該模塊後，編寫需要測試的python程序，並在需要測試的函數上方加入@profile，保存爲*.py文件。在命令行使用kernprof -l -v *.py，在輸出打印出程序結果之後會打印性能分析。
輸出結果的含義：
| 名稱 | 意義 |
|---|---|
| Timer unit | 計時器單位，微秒 |
| Total time | 測試代碼總運行時間 |
| File | 測試代碼文件名 |
| Hits | 每行代碼運行次數 |
| Time | 每行代碼運行時間 |
| Per Hit | 每行代碼運行一次的時間 |
| % Time | 每行代碼運行時間的百分比 |
| Line Contents | 每行代碼 |
示例
將下列代碼保存爲test.py，不需要導入line_profiler模塊。
@profile
def compute():
for i in range(100):
print(i**3)
if __name__=='__main__':
compute()
在命令行運行kernprof -l -v test.py，注意如果test.py不在命令行當前文件夾，需要些寫上路徑。輸出爲：
'''
Wrote profile results to test.py.lprof
Timer unit: 1e-06 s
Total time: 0.012405 s
File: test.py
Function: compute at line 1
Line # Hits Time Per Hit % Time Line Contents
==============================================================
1 @profile
2 def compute():
3 101 74.0 0.7 0.6 for i in range(100):
4 100 12331.0 123.3 99.4 print(i**3)
'''
#可以分析代碼性能，比如 print(i**3)共執行了100次，平均每次運行時間123.3微秒。
memory_profiler
常用方法
使用方法同line_profiler模塊，藉助裝飾器調用。在需要分析的函數上方加@profile。在命令行使用python -m memory_profiler *.py運行代碼。
輸出結果中：
Mem usage：內存使用情況
Increment：每行代碼運行後內存增減情況
還有一種調用該模塊的方式，在測試代碼中導入memory_profiler模塊的profile方法，如下：
from memory_profiler import profile
其餘編寫方法同上，裝飾器的參數如下：
@profile(func=None, stream=None, precision=1, backend='psutil')
#stream表示將分析結果輸出的文件，默認爲命令行；precision表示分析結果中數字小數點保留位數。
這種方法在命令行只需運行python *.py即可，若不需要測試性能，可直接將裝飾器註釋掉。
示例
將下列代碼保存爲test.py，不需要導入line_profiler模塊。
from memory_profiler import profile
@profile(precision=2)
def compute():
a=[]
b=3.4
for i in range(10):
a.append(i)
del b
if __name__=='__main__':
compute()
在命令行運行python test.py，注意路徑。若代碼中沒有導入memory_profiler模塊的profile方法，則應該運行python -m memory_profiler test.py。輸出爲：
'''
Line # Mem usage Increment Line Contents
================================================
2 39.08 MiB 39.08 MiB @profile(precision=2)
3 def compute():
4 39.08 MiB 0.00 MiB a=[10]*100
5 39.08 MiB 0.00 MiB b=3.4
6 39.08 MiB 0.00 MiB for i in range(10):
7 39.08 MiB 0.00 MiB a.append(i)
8 39.08 MiB 0.00 MiB del b
'''
#輸出分析結果的數字保留了2位小數