Otimização de códigos Python com cronometragem

Posts Relacionados:

Leitura e Escrita de Arquivos de Texto em Python

Gerenciamento de tempo com Python e schedule

Aprenda a calcular médias móveis com Python

17.11.24

Bons desempenhos na execução de códigos Python é fundamental. O módulo timeit é ideal para localizar gargalos e otimizar desempenhos.

Receba nossa newsletter

Otimização de códigos Python

Como desenvolvedor Python, você provavelmente sabe bem que o desempenho em seus projetos é fundamental. Mas você já se perguntou quanto tempo está sendo desperdiçado em tarefas simples que podem ser otimizadas? Neste post, exploraremos uma ferramenta poderosa para melhorar o desempenho do Python: o módulo timeit e sua classe Timer. Através deles, você consegue cronometrar a execução de diferentes elementos de seus códigos e identifica gargalos facilmente.

Ao escrevermos códigos Python, é fácil ficarmos presos usando recursos e funcionalidades que podem ser limitantes de desempenho. Por isso, entender como seus códigos são executados auxilia na identificação de gargalos e permite tomadas de decisões baseadas em dados para otimização.

Aprenda a usar timeit

O módulo timeit é uma biblioteca Python integrada (não precisa ser instalada). Ele fornece uma maneira simples de medir o tempo de execução de códigos Python. Consequentemente, ele é perfeito para identificar pontos de gargalo de desempenho em seus códigos. Veja um exemplo de como usá-lo:

				
					import timeit

def minha_func():
    # O código que você deseja testar vai aqui
    # código de exemplo puramente ilustrativo:
    for i in range(1000):
        i**2
  
tempo_execucao = timeit.timeit(minha_func, number=1000)
print(f"Tempo de execução: {tempo_execucao:.6f} segundos")
# resultado: Tempo de execução: 0.158737 segundos

Este código define uma função simples minha_func e usa o método timeit.timeit() para executá-la 1000 vezes. O resultado obtido mostra o tempo médio de execução em segundos.

O método timeit() não se restringe a verificar o tempo de execução de funções, podemos usá-lo para cronometrar qualquer trecho de código. Veja outro exemplo no qual ele verifica o tempo de execução de um for loop definido diretamente nele:

				
					tempo_execucao = timeit.timeit('"-".join(str(n) for n in range(100))', number=10000)
print(f"Tempo de execução: {tempo_execucao:.6f} segundos")
# resultado: Tempo de execução: 0.089020 segundos

A classe Timer

O método timeit() mostrado acima fornece uma maneira rápida de cronometrar a execução do código com uma única chamada de função. No entanto, a classe Timer do módulo timeit possui recursos avançados e bem interessantes. No geral, ela oferece mais flexibilidade, permitindo a criação de objetos reutilizáveis, além de possuir métodos adicionais como repeat(). Com isso, a classe Timer permite verificar o desempenho de um trecho de código através de seu tempo de execução sob várias condições. Veja um exemplo ilustrativo abaixo:

				
					from timeit import Timer

t = Timer('"-".join(str(n) for n in range(100))') # inicia a classe Timer com um trecho que deve ser verificado
tempo_execucao_repetido = t.repeat(repeat=3, number=10000) # verifica tempo de execução com repetição
print(tempo_execucao_repetido)
# resultados: [0.08833921500263386, 0.08780984800250735, 0.09082353499979945]

Neste exemplo, o tempo médio para executar 10000 vezes um for loop foi verificado com 3 repetições.

A classe Timer também permite testar a instanciação de classes e as chamadas de métodos:

				
					Timer('obj.method()', setup='from meu_modulo import MinhaClasse; obj = MinhaClasse()').timeit() # exemplo ilustrativo

Neste trecho, o método setup permite separar comandos de importação do trecho que precisa ser cronometrado. Você pode usar o mesmo procedimento para testar códigos que usam gerenciadores de contexto:

				
					Timer('with open("arquivo.txt", "r") as f: content = f.read()', 
      setup='import io; open = lambda *args: io.StringIO("meu conteúdo")').timeit()

Com isso, fica fácil medir o tempo de execução de diferentes trechos de códigos e identificar suas contribuições para o desempenho de programas escritos em Python.

Para terminar

O modulo timeit auxilia bastante na identificação de gargalos. Idealmente, ele deve ser parte de um conjunto de estratégias de otimização. Entre elas, lembre-se de usar ferramentas de profiling. Implemente mecanismos de cache como dicionários ou bibliotecas de memoização para evitar cálculos redundantes. Simplifique cálculos complexos e reduza o número de iterações de loops sempre que possível com vetorização.