Вивчайте Основи Вимірювання Часу та Бенчмаркінгу | Розуміння та Вимірювання Продуктивності

Оскільки в цьому курсі не робиться акцент на аналізі часової складності, основна увага приділяється емпіричним (практичним) методам вимірювання фактичної продуктивності коду. Одним із найпростіших способів виміряти продуктивність фрагмента коду є використання вбудованої функції time.time().

Ця функція повертає поточний час у секундах з моменту епохи (референтної точки системного часу). Викликавши time.time() до та після виконання певного коду, можна обчислити різницю, щоб визначити, скільки часу зайняло виконання.


              123456789101112131415
            
import time

# Record the start time
start_time = time.time() 

# Code you want to measure
result = [x**2 for x in range(1000000)]

# Record the end time
end_time = time.time()

# Calculate the difference to get the execution time
execution_time = end_time - start_time

print(f'Execution time: {execution_time} seconds')

Хоча використання time.time() є простим і ефективним для приблизних оцінок, цей підхід має кілька обмежень:

Низька роздільна здатність: точність time.time() може відрізнятися залежно від операційної системи, що призводить до неточних результатів для невеликих операцій;
Накладні витрати: враховуються інші системні процеси, які виконуються у фоновому режимі, що може спотворювати вимірювання;
Відсутність повторень: для більш точних вимірювань часто потрібно запускати один і той самий код кілька разів, щоб отримати середній результат, чого time.time() автоматично не забезпечує.

Переваги використання timeit

Модуль timeit є більш просунутим інструментом, розробленим для подолання обмежень time.time() і забезпечення надійного способу вимірювання часу виконання невеликих фрагментів коду, що часто називається мікробенчмаркінгом.

Основні переваги timeit:

Висока точність: timeit використовує під капотом time.perf_counter(), високоточний таймер, який враховує час, витрачений на очікування та операції введення/виведення, що робить його більш точним для коротких інтервалів, ніж time.time();
Автоматичне повторення: timeit автоматично виконує код декілька разів і обчислює середній час виконання. Це допомагає зменшити вплив фонових процесів, забезпечуючи більш надійну оцінку продуктивності коду;
Мінімальні накладні витрати: timeit розроблений для запуску в чистому середовищі, тимчасово вимикаючи збірку сміття, щоб гарантувати, що вимірювання зосереджені на тестованому коді без впливу операцій керування пам'яттю.


              1234567
            
import timeit
# Code snippet to test
code_snippet = 'result = [x**2 for x in range(1000000)]'
# Running timeit to measure execution time
iterations = 30
execution_time = timeit.timeit(code_snippet, number=iterations)
print(f'Average Execution Time: {execution_time / iterations} seconds')

У цьому прикладі timeit.timeit() виконує код, зазначений у вигляді рядка (змінна code_snippet), 30 разів (визначено параметром number) і повертає загальний час виконання для всіх 30 запусків. Ділячи загальний час на кількість ітерацій (30), можна обчислити середній час виконання для одного запуску.

Вибір кількості ітерацій

Вибір кількості ітерацій залежить від складності коду, який ви тестуєте, та точності, яку ви очікуєте від результатів вимірювання часу. Запуск коду з різною кількістю ітерацій дозволяє оцінити стабільність результатів; якщо час виконання стабільний, ймовірно, ви знайшли оптимальну кількість ітерацій.

Для дуже швидких фрагментів коду (мілісекунди або менше) рекомендується використовувати 1000+ ітерацій для отримання надійних середніх значень. Для коду із середнім часом виконання (кілька мілісекунд до секунд) достатньо 100–500 ітерацій. Для довготривалого коду (декілька секунд і більше) зазвичай достатньо 10–50 ітерацій для досягнення балансу між точністю та витраченим часом на тестування.

1. Яка функція забезпечує високу точність і автоматично виконує код кілька разів для обчислення середнього часу виконання?

2. Чому використання `time.time()` для вимірювання продуктивності може бути менш надійним, ніж `timeit.timeit()`?

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 2

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Suggested prompts:

Can you explain how to use the timeit module with functions instead of code strings?

What are some best practices for benchmarking code performance in Python?

Can you provide more examples of using timeit for different types of code?

Awesome!

Completion rate improved to 7.69

Свайпніть щоб показати меню


              123456789101112131415
            
import time

# Record the start time
start_time = time.time() 

# Code you want to measure
result = [x**2 for x in range(1000000)]

# Record the end time
end_time = time.time()

# Calculate the difference to get the execution time
execution_time = end_time - start_time

print(f'Execution time: {execution_time} seconds')

Хоча використання time.time() є простим і ефективним для приблизних оцінок, цей підхід має кілька обмежень:

Низька роздільна здатність: точність time.time() може відрізнятися залежно від операційної системи, що призводить до неточних результатів для невеликих операцій;
Накладні витрати: враховуються інші системні процеси, які виконуються у фоновому режимі, що може спотворювати вимірювання;
Відсутність повторень: для більш точних вимірювань часто потрібно запускати один і той самий код кілька разів, щоб отримати середній результат, чого time.time() автоматично не забезпечує.

Переваги використання timeit

Основні переваги timeit:

Висока точність: timeit використовує під капотом time.perf_counter(), високоточний таймер, який враховує час, витрачений на очікування та операції введення/виведення, що робить його більш точним для коротких інтервалів, ніж time.time();
Автоматичне повторення: timeit автоматично виконує код декілька разів і обчислює середній час виконання. Це допомагає зменшити вплив фонових процесів, забезпечуючи більш надійну оцінку продуктивності коду;
Мінімальні накладні витрати: timeit розроблений для запуску в чистому середовищі, тимчасово вимикаючи збірку сміття, щоб гарантувати, що вимірювання зосереджені на тестованому коді без впливу операцій керування пам'яттю.


              1234567
            
import timeit
# Code snippet to test
code_snippet = 'result = [x**2 for x in range(1000000)]'
# Running timeit to measure execution time
iterations = 30
execution_time = timeit.timeit(code_snippet, number=iterations)
print(f'Average Execution Time: {execution_time / iterations} seconds')

Вибір кількості ітерацій

1. Яка функція забезпечує високу точність і автоматично виконує код кілька разів для обчислення середнього часу виконання?

2. Чому використання `time.time()` для вимірювання продуктивності може бути менш надійним, ніж `timeit.timeit()`?

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 2

Основи Вимірювання Часу та Бенчмаркінгу

Переваги використання timeit

Вибір кількості ітерацій

1. Яка функція забезпечує високу точність і автоматично виконує код кілька разів для обчислення середнього часу виконання?

2. Чому використання time.time() для вимірювання продуктивності може бути менш надійним, ніж timeit.timeit()?

Awesome!

Основи Вимірювання Часу та Бенчмаркінгу

Переваги використання timeit

Вибір кількості ітерацій

1. Яка функція забезпечує високу точність і автоматично виконує код кілька разів для обчислення середнього часу виконання?

2. Чому використання time.time() для вимірювання продуктивності може бути менш надійним, ніж timeit.timeit()?

2. Чому використання `time.time()` для вимірювання продуктивності може бути менш надійним, ніж `timeit.timeit()`?

2. Чому використання `time.time()` для вимірювання продуктивності може бути менш надійним, ніж `timeit.timeit()`?