提高我的代码速度

Question

我创建了下面的代码，它使用一系列值，并在x和r之间生成10个均值为8000的数字

为了尽可能满足覆盖范围的规范，我还计算了标准差，这是扩展的好方法。 因此，只要样本集满足8000的均值标准，我就将其与之前的匹配进行比较，并不断选择具有最高标准差（均值= 8000）的样本。

def node_timing(average_block_response_computational_time, min_block_response_computational_time, max_block_response_computational_time):
    sample_count = 10
    num_of_trials = 1

    # print average_block_response_computational_time
    # print min_block_response_computational_time
    # print max_block_response_computational_time

    target_sum = sample_count * average_block_response_computational_time
    samples_list = []
    curr_stdev_max = 0
    for trials in range(num_of_trials):
        samples = [0] * sample_count
        while sum(samples) != target_sum:
            samples = [rd.randint(min_block_response_computational_time, max_block_response_computational_time) for trial in range(sample_count)]
        # print ("Mean: ", st.mean(samples), "Std Dev: ", st.stdev(samples), )
        # print (samples, "\n")
        if st.stdev(samples) > curr_stdev_max:
            curr_stdev_max = st.stdev(samples)
            samples_best = samples[:]
        return samples_best[0]

我将列表中的第一个值用作时序值，但是此代码确实很慢，我需要在仿真过程中多次调用此代码数千次，因此需要提高代码效率

任何人有任何建议如何？

Answer 1

为了了解我们将在哪些方面获得最快的速度改进，我首先分析了您的代码。

import cProfile
pr = cProfile.Profile()
pr.enable()
for i in range(100):
    print(node_timing(8000, 7000, 9000))
pr.disable()
pr.print_stats(sort='time')

结果的顶部显示了您的代码大部分时间都在哪里：

   23561178 function calls (23561176 primitive calls) in 10.612 seconds

   Ordered by: internal time

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
  4502300    3.694    0.000    7.258    0.000 random.py:172(randrange)
  4502300    2.579    0.000    3.563    0.000 random.py:222(_randbelow)
  4502300    1.533    0.000    8.791    0.000 random.py:216(randint)
   450230    1.175    0.000    9.966    0.000 counter.py:19(<listcomp>)
  4608421    0.690    0.000    0.690    0.000 {method 'getrandbits' of '_random.Random' objects}
      100    0.453    0.005   10.596    0.106 counter.py:5(node_timing)
  4502300    0.294    0.000    0.294    0.000 {method 'bit_length' of 'int' objects}
   450930    0.141    0.000    0.150    0.000 {built-in method builtins.sum}
      100    0.016    0.000    0.016    0.000 {built-in method builtins.print}
      600    0.007    0.000    0.025    0.000 statistics.py:105(_sum)
     2200    0.005    0.000    0.006    0.000 fractions.py:84(__new__)
...

从此输出中，我们可以看到我们花费了大约7.5秒（从10.6秒中）生成随机数。 因此，使此速度明显更快的唯一方法是生成更少的随机数或更快地生成它们。 您没有使用密码随机数生成器，所以我没有办法更快地生成数字。 但是，我们可以对算法稍加改动，并大大减少我们需要生成的值的数量。

如果不接受均值恰好为8000的样本，那么如果我们接受均值为8000±0.1％的样本（那我们将取均值为7992至8008的样本）怎么办？ 由于有点不精确，我们可以大大加快算法的速度。 我将while条件替换为：

while abs(sum(samples) - target_sum) > epsilon

其中epsilon = target_sum * 0.001 。 然后，我再次运行了脚本，并获得了更好的探查器编号。

         232439 function calls (232437 primitive calls) in 0.163 seconds

   Ordered by: internal time

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
      100    0.032    0.000    0.032    0.000 {built-in method builtins.print}
    31550    0.026    0.000    0.053    0.000 random.py:172(randrange)
    31550    0.019    0.000    0.027    0.000 random.py:222(_randbelow)
    31550    0.011    0.000    0.064    0.000 random.py:216(randint)
     4696    0.010    0.000    0.013    0.000 fractions.py:84(__new__)
     3155    0.008    0.000    0.073    0.000 counter.py:19(<listcomp>)
      600    0.008    0.000    0.039    0.000 statistics.py:105(_sum)
      100    0.006    0.000    0.131    0.001 counter.py:4(node_timing)
    32293    0.005    0.000    0.005    0.000 {method 'getrandbits' of '_random.Random' objects}
     1848    0.004    0.000    0.009    0.000 fractions.py:401(_add)

允许平均值比目标高出0.1％， randint的调用randint减少100倍。 自然，代码的运行速度也快了100倍（现在花了大部分时间在控制台上打印）。