使用DataJoint时如何分析Python代码性能？获取.populate()调用详细分析报告

• 给.populate()内部函数手动加性能追踪
  如果.populate()是你自己实现的函数，直接在它内部调用的所有子函数上加上@profile装饰器，再重新运行Jupyter里的%lprun -f populate your_code_that_calls_populate()。要是调用的是第三方库的.populate()，可以用猴子补丁临时给它内部的关键子函数加装饰器，比如：

  from some_library import TargetClass
  
  # 先保存原函数
  original_sub_func = TargetClass._internal_sub_function
  # 加装饰器
  @profile
  def profiled_sub_func(*args, **kwargs):
      return original_sub_func(*args, **kwargs)
  # 替换原函数
  TargetClass._internal_sub_function = profiled_sub_func
  

  之后再运行.populate()，line_profiler就会显示子函数的耗时。

• 用%prun做全局调用分析
  在Jupyter里直接运行%prun -s cumulative your_object.populate()，这个命令会按累积耗时排序所有被调用的函数，能直接看到.populate()内部各个子步骤的时间占比，不需要额外装饰器，适合快速定位瓶颈。

• 用kernprof命令行深度追踪
  把调用.populate()的代码写成单独的.py脚本，然后在终端运行：

  kernprof -l -v your_script.py
  

  要是第三方库的函数，在脚本里提前给目标子函数加@profile装饰器，这样输出的报告会包含所有被追踪函数的逐行耗时。

内容的提问来源于stack exchange，提问作者Loren Frank