操作系统 ： CentOS7.3.1611_x64
python版本：2.7.5
问题描述
1、Python开发的程序在使用过程中很慢，想确定下是哪段代码比较慢；
2、Python开发的程序在使用过程中占用内存很大，想确定下是哪段代码引起的；
解决方案
使用profile分析分析cpu使用情况
profile介绍： https://docs.python.org/2/library/profile.html
可以使用profile和cProfile对python程序进行分析，这里主要记录下cProfile的使用，profile参考cProfile即可。
假设有如下代码需要进行分析（cProfileTest1.py）：
#! /usr/bin/env python
#-*- coding:utf-8 -*-def foo():
sum = 0
for i in range(100):
sum += i
return sumif __name__ == "__main__" :
foo()
可以通过以下两种使用方式进行分析：
1、不修改程序
分析程序：
python -m cProfile -o test1.out cProfileTest1.py
查看运行结果：
python -c "import pstats; p=pstats.Stats('test1.out'); p.print_stats()"
查看排序后的运行结果：
python -c "import pstats; p=pstats.Stats('test1.out'); p.sort_stats('time').print_stats()"
2、修改程序
加入如下代码：
import cProfile
cProfile.run("foo()")
完整代码如下： https://github.com/mike-zhang/pyExamples/blob/master/profileOpt/cpuProfile1/cProfileTest2.py
运行效果如下：
Ordered by: standard namencalls tottime percall cumtime percall filename:lineno(function)
0.000 0.000 0.000 0.000 <string>:(<module>)
0.000 0.000 0.000 0.000 cProfileTest2.py:(foo)
0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
0.000 0.000 0.000 0.000 {range}
结果说明：
ncalls ： 函数的被调用次数
tottime ：函数总计运行时间，除去函数中调用的函数运行时间
percall ：函数运行一次的平均时间，等于tottime/ncalls
cumtime ：函数总计运行时间，含调用的函数运行时间
percall ：函数运行一次的平均时间，等于cumtime/ncalls
filename:lineno(function) 函数所在的文件名，函数的行号，函数名
使用memory_profiler分析内存使用情况
https://pypi.python.org/pypi/memory_profiler
需要安装memory_profiler ：
pip install psutil
pip install memory_profiler
假设有如下代码需要进行分析:
def my_func():
a = [] * (*)
b = [] * (*)
del b
return a
使用memory_profiler是需要修改代码的，这里记录下以下两种使用方式：
1、不导入模块使用
@profile
def my_func():
a = [] * (*)
b = [] * (*)
del b
return a
完整代码如下： https://github.com/mike-zhang/pyExamples/blob/master/profileOpt/memoryProfile1/test1.py
profile分析：
python -m memory_profiler test1.py
2、导入模块使用
from memory_profiler import profile@profile
def my_func():
a = [] * (*)
b = [] * (*)
del b
return a
完整代码如下：
直接运行程序即可进行分析。
运行效果如下：
(py27env) [mike@local test]$ python test1.py
Filename: test1.pyLine # Mem usage Increment Line Contents
================================================
29.5 MiB 0.0 MiB @profile
def my_func():
29.5 MiB 0.0 MiB a = [] * (*)
29.5 MiB 0.0 MiB b = [] * (*)
29.5 MiB 0.0 MiB del b
29.5 MiB 0.0 MiB return a
profile分析完整代码地址：https://github.com/mike-zhang/pyExamples/tree/master/profileOpt
好，就这些了，希望对你有帮助。
本文github地址：
https://github.com/mike-zhang/mikeBlogEssays/blob/master/2017/20170907_python程序之profile分析.rst
欢迎补充
