El ejemplo que se desarrollará es el mismo de la generación de la matriz inversa, la diferencia será que la definición del valor de n de la matriz y su generación estará en una función llamada main. Está función luego se llamará desde cProfile.
A continuación el código:
#!/usr/bin/env python # -*- coding: utf-8 -*- #Se importa numpy como np import numpy as np import cProfile import sys #funcion que genera matrices inversas. def Inversa(n): a = np.matrix(np.random.rand(n, n)) return a.I def main(): #Se define una lista de tamaños de la matriz tamagno = 2**np.arange(0,12) #Se recorre la lista de tamaños y se invierte cada matriz con la #funcion. for n in tamagno: Inversa(n) #Se ejecuta la función main desde la llamada run de cProfile. cProfile.run('main()')Al ejecutar el script se tiene como resultado el profiling de la generación de la matriz inversa:
ecrespo@jewel:~/proyectos/ernesto-ecrespo.blogspot/cprofile$ python matrizinversa.py 809 function calls in 5.764 seconds Ordered by: standard name ncalls tottime percall cumtime percall filename:lineno(function) 1 0.000 0.000 5.764 5.764 <string>:1(<module>) 24 0.000 0.000 0.058 0.002 defmatrix.py:233(__new__) 36 0.000 0.000 0.000 0.000 defmatrix.py:279(__array_finalize__) 12 0.000 0.000 0.000 0.000 defmatrix.py:55(asmatrix) 12 0.015 0.001 5.467 0.456 defmatrix.py:808(getI) 1 0.000 0.000 0.000 0.000 dual.py:12(<module>) 12 0.000 0.000 0.000 0.000 linalg.py:127(_to_native_byte_order) 12 0.000 0.000 0.257 0.021 linalg.py:139(_fastCopyAndTranspose) 12 0.000 0.000 0.000 0.000 linalg.py:151(_assertRank2) 12 0.000 0.000 0.000 0.000 linalg.py:157(_assertSquareness) 12 0.000 0.000 5.396 0.450 linalg.py:244(solve) 12 0.020 0.002 5.452 0.454 linalg.py:404(inv) 36 0.000 0.000 0.000 0.000 linalg.py:66(_makearray) 36 0.000 0.000 0.000 0.000 linalg.py:71(isComplexType) 24 0.000 0.000 0.000 0.000 linalg.py:84(_realType) 12 0.000 0.000 0.000 0.000 linalg.py:99(_commonType) 12 0.007 0.001 5.751 0.479 matrizinversa.py:12(Inversa) 1 0.013 0.013 5.764 5.764 matrizinversa.py:17(main) 36 0.000 0.000 0.000 0.000 numeric.py:167(asarray) 12 0.000 0.000 0.035 0.003 numeric.py:1830(identity) 36 0.000 0.000 0.000 0.000 {getattr} 72 0.000 0.000 0.000 0.000 {isinstance} 60 0.000 0.000 0.000 0.000 {issubclass} 60 0.000 0.000 0.000 0.000 {len} 12 0.000 0.000 0.000 0.000 {max} 24 0.000 0.000 0.000 0.000 {method '__array_prepare__' of 'numpy.ndarray' objects} 24 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects} 12 0.059 0.005 0.059 0.005 {method 'astype' of 'numpy.ndarray' objects} 12 0.058 0.005 0.058 0.005 {method 'copy' of 'numpy.ndarray' objects} 1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects} 24 0.000 0.000 0.000 0.000 {method 'get' of 'dict' objects} 12 0.220 0.018 0.220 0.018 {method 'rand' of 'mtrand.RandomState' objects} 12 0.000 0.000 0.000 0.000 {method 'transpose' of 'numpy.ndarray' objects} 12 0.000 0.000 0.000 0.000 {method 'view' of 'numpy.ndarray' objects} 12 0.000 0.000 0.000 0.000 {min} 24 0.257 0.011 0.257 0.011 {numpy.core.multiarray._fastCopyAndTranspose} 1 0.000 0.000 0.000 0.000 {numpy.core.multiarray.arange} 36 0.000 0.000 0.000 0.000 {numpy.core.multiarray.array} 24 0.035 0.001 0.035 0.001 {numpy.core.multiarray.zeros} 12 5.078 0.423 5.078 0.423 {numpy.linalg.lapack_lite.dgesv}La salida es la misma que se mostró en el artículo de timeit con ipython. Como adicional al artículo de timeit se muestra a continuación el significado de cada columna:
- ncalls: Número de llamadas.
- tottime: Tiempo total gastado en una función.
- percall: Tiempo por llamada, calculado el tiempo total la cantidad de llamadas.
- cumtime: Tiempo acumulado gastado en una función y llamadas a funciones por la función, incluyendo llamadas recursivas.
