Profile và đo thời gian chạy Python: timeit, cProfile
Bài 10/10 · Chương 16
Code sạch, kiểm thử và gỡ lỗi
- 7 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 11
Profile chương trình Python là đo xem code chạy mất bao lâu và thời gian dồn vào hàm nào, bằng ba công cụ có sẵn: time.perf_counter() bấm giờ một đoạn code, timeit so hai cách viết, cProfile đếm thời gian của từng hàm. Bạn cần nó khi báo cáo doanh thu cuối ngày chạy mất cả phút và bạn muốn biết nên sửa chỗ nào trước.
Cần biết trước: lệnh import, return và decorator.
Bấm giờ bằng time.perf_counter()
time.perf_counter() trả về số giây của một đồng hồ chính xác cao. Từng số riêng lẻ không có nghĩa, nhưng hiệu hai lần gọi là thời gian đã trôi qua giữa chúng:
import time
bat_dau = time.perf_counter()
tong = sum(range(1_000_000))
het = time.perf_counter() - bat_dau
print(tong)
print(f"Mất {het:.3f} giây")KẾT QUẢ
499999500000
Mất 0.013 giâyChạy trên máy của bạn · Đoạn này cần Python cài trên máy, trang không chạy được.
Số giây đổi theo máy và theo lần chạy, vì máy còn làm việc khác cùng lúc, nên khối này là kết quả của một lần chạy thật trên máy người viết. Chép đoạn này vào một ô ví dụ trên trang rồi chạy thì số giây sẽ khác, và thường chậm hơn trên máy, vì trình duyệt chạy Python qua một lớp trung gian. Đừng dùng time.time() để đo: đồng hồ đó theo giờ hệ thống, có thể bị chỉnh lùi hay tiến giữa hai lần đọc.
Muốn đo nhiều hàm, gói phần bấm giờ vào một decorator: hàm bọc ghi giờ trước và sau lời gọi hàm gốc.
So hai cách viết bằng timeit
Một lần đo quá ngắn thì dễ lệch vì máy bận. timeit.timeit(ham, number=n) gọi ham n lần rồi trả về tổng số giây, nên so được hai cách viết của cùng một việc. Ví dụ dưới đây tìm một mã đơn trong list và trong set:
import timeit
ma_don = list(range(100_000))
tap_ma = set(ma_don)
t_list = timeit.timeit(lambda: 99_999 in ma_don, number=100)
t_set = timeit.timeit(lambda: 99_999 in tap_ma, number=100)
print(f"list: {t_list:.4f} giây")
print(f"set: {t_set:.4f} giây")
print("set nhanh hơn:", t_set < t_list)KẾT QUẢ
list: 0.0599 giây
set: 0.0000 giây
set nhanh hơn: TrueChạy trên máy của bạn · Đoạn này cần Python cài trên máy, trang không chạy được.
in trên list so lần lượt từng phần tử, còn set tra thẳng tới chỗ của phần tử, nên khoảng cách lớn tới hàng nghìn lần. lambda: gói đoạn cần đo thành một hàm không tham số để timeit gọi lại. Trong terminal, python -m timeit tự chọn số lần lặp và báo thời gian của lượt chạy nhanh (Windows gõ python, macOS/Linux gõ python3); cờ -s là đoạn chuẩn bị chỉ chạy một lần. Kết quả một lần chạy bằng Python 3.14, ngày 15/11/2026:
python3 -m timeit -s "ma = list(range(100_000))" "99_999 in ma"
python3 -m timeit -s "ma = set(range(100_000))" "99_999 in ma"KẾT QUẢ
200 loops, best of 5: 1.57 msec per loop
5000000 loops, best of 5: 45.4 nsec per loopmsec là mili giây, nsec là nano giây: tìm trong list mất khoảng 1,57 ms, trong set khoảng 45 ns.
Tìm hàm chậm bằng cProfile
Khi chưa biết chỗ nào chậm, đừng đoán: cProfile ghi lại từng lời gọi hàm trong lúc chương trình chạy. Lưu đoạn sau vào hoa_don.py:
def gia_ly(gia, so_ly):
return gia * so_ly
def tong_don(cac_mon):
tong = 0
for gia, so_ly in cac_mon:
tong += gia_ly(gia, so_ly)
return tong
def chay_ca_ngay():
don = [(29000, 2), (32000, 1), (35000, 3)]
doanh_thu = 0
for lan in range(100_000):
doanh_thu += tong_don(don)
return doanh_thu
print(chay_ca_ngay())
Chạy cả file dưới cProfile, -s cumulative xếp các hàm theo thời gian tính cả hàm con. Kết quả một lần chạy bằng Python 3.14:
python3 -m cProfile -s cumulative hoa_don.pyKẾT QUẢ
19500000000
400005 function calls in 0.185 seconds
Ordered by: cumulative time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.185 0.185 {built-in method builtins.exec}
1 0.000 0.000 0.185 0.185 hoa_don.py:1(<module>)
1 0.034 0.034 0.185 0.185 hoa_don.py:12(chay_ca_ngay)
100000 0.110 0.000 0.151 0.000 hoa_don.py:5(tong_don)
300000 0.041 0.000 0.041 0.000 hoa_don.py:1(gia_ly)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
1 0.000 0.000 0.000 0.000 {built-in method builtins.print}ncalls là số lần gọi, tottime là thời gian trong chính hàm, cumtime cộng cả các hàm nó gọi. tong_don chạy 100.000 lần và chiếm phần lớn thời gian, nên đó là chỗ đáng xem trước. Python 3.12 in cùng các cột, chỉ khác số giây. Trên trang này, cProfile.Profile() đo một đoạn code, còn pstats đọc lại số lần gọi của từng hàm:
import cProfile
import pstats
def gia_ly(gia, so_ly):
return gia * so_ly
def tong_don(cac_mon):
tong = 0
for gia, so_ly in cac_mon:
tong += gia_ly(gia, so_ly)
return tong
ho_so = cProfile.Profile()
ho_so.runcall(tong_don, [(29000, 2), (32000, 1), (35000, 3)])
thong_ke = pstats.Stats(ho_so).get_stats_profile()
print(thong_ke.func_profiles["gia_ly"].ncalls)KẾT QUẢ
3runcall(ham, ...) gọi hàm dưới sự theo dõi của cProfile. Số lần gọi không đổi giữa các lần chạy, còn số giây thì đổi. Đổi (35000, 3) thành (35000, 3), (45000, 1) rồi chạy lại: dòng in ra là 4.
Kiểm tra nhanh
Bảng của cProfile có dòng
300000 0.041 0.000 0.041 0.000 hoa_don.py:1(gia_ly). Số300000là gì?- Số lần
gia_lyđược gọi - Số giây
gia_lyđã chạy - Số dòng code của
gia_ly
- Số lần
Bạn muốn biết
"".join(ds)hay cộng chuỗi trong vòng lặp nhanh hơn. Dùng công cụ nào?cProfilecho cả chương trìnhtimeit, chạy mỗi cách nhiều lần rồi so tổng thời gian- Một lần
time.perf_counter()cho mỗi cách
Những câu nào đúng về các công cụ đo trong bài?
- Hiệu hai lần gọi
time.perf_counter()là số giây đã trôi qua python -m cProfile -s cumulative file.pyxếp hàm theo thời gian tính cả hàm contimeit.timeit("gia_ly(1, 2)")gọi được hàmgia_lybạn vừa viết mà không cần gì thêm- Số giây đo được đổi theo máy và theo lần chạy
- Hiệu hai lần gọi
Trong khung bẫy, hàm bọc gọi
ham(*args)nhưng không córeturn. Lệnhprint(gia_ly(29000, 2))in ra gì?58000- Số giây đã đo, như
0.0 None
Bài tập
Bấm giờ một lời gọi hàm
Viết hàm bam_gio(ham, *tham_so): gọi time.perf_counter() một lần, gọi ham(*tham_so) đúng một lần, rồi gọi time.perf_counter() lần nữa. Hàm trả về tuple (ket_qua, so_giay): ket_qua là giá trị ham trả về, so_giay là lần đọc sau trừ lần đọc trước. Gọi đúng time.perf_counter() qua module time, vì phần chấm thay đồng hồ đó bằng một đồng hồ giả trả số đặt sẵn.
Ví dụ: nếu đồng hồ đọc 100.0 rồi 100.25, bam_gio(lambda gia, so_ly: gia * so_ly, 29000, 2) trả về (58000, 0.25).
Trả về: một tuple gồm kết quả của ham và số giây.
import time
def bam_gio(ham, *tham_so):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
time.perf_counter()là đồng hồ để đo: lấy hiệu hai lần gọi, không đọc từng số riêng.Số giây đổi theo máy và theo lần chạy; so trên cùng một máy, cùng lúc.
timeit.timeit(lambda: ..., number=n)chạynlần và trả tổng số giây, hợp để so hai cách viết.Trong terminal:
python -m timeit -s "chuẩn bị" "đoạn cần đo".python -m cProfile -s cumulative file.pycho biết hàm nào được gọi nhiều và tốn thời gian.Decorator bấm giờ phải
returnkết quả của hàm gốc.
Câu hỏi thường gặp
Đo thời gian chạy Python trong Jupyter thế nào?
Jupyter có lệnh %timeit đặt trước một dòng code, và %%timeit ở đầu một ô. Chúng gọi module timeit và tự chọn số lần lặp, như python -m timeit trong terminal.
Vì sao mỗi lần đo timeit Python ra một số khác?
Máy làm nhiều việc cùng lúc, và bộ nhớ đệm của CPU nóng dần sau vài lần chạy. python -m timeit lặp năm lượt và báo lượt nhanh trong năm lượt đó (best of 5), vì lượt đó ít bị việc khác chen vào.
cProfile Python có làm chương trình chậm đi không?
Có: cProfile phải ghi lại từng lời gọi hàm, nên chương trình chạy dưới cProfile chậm hơn bình thường, rõ ở các hàm nhỏ được gọi hàng chục nghìn lần. Dùng bảng của nó để so các hàm với nhau, không để báo thời gian thật của chương trình.
Nên tối ưu code từ đâu?
Từ chỗ cProfile chỉ ra, thường là một hàm trong vòng lặp được gọi hàng chục nghìn lần. Đổi cấu trúc dữ liệu, như tìm trong set thay cho list, thường lợi hơn nhiều so với viết lại từng dòng cho nhanh hơn một chút.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.