Python 性能分析器¶
Source code: Lib/profile.py, Lib/pstats.py, and Lib/profile/sample.py
性能分析器简介¶
Python provides both statistical profiling and deterministic profiling of
Python programs. A profile is a set of statistics that describes how
often and for how long various parts of the program executed. These statistics
can be formatted into reports via the pstats module.
The Python standard library provides three different profiling implementations:
Statistical Profiler:
profiling.samplingprovides statistical profiling of running Python processes using periodic stack sampling. It can attach to any running Python process without requiring code modification or restart, making it ideal for production debugging.
Deterministic Profilers:
cProfileis recommended for development and testing; it's a C extension with reasonable overhead that makes it suitable for profiling long-running programs. Based onlsprof, contributed by Brett Rosen and Ted Czotter.profile是一个纯 Python 模块（cProfile就是模拟其接口的 C 语言实现），但它会显著增加配置程序的开销。如果你正在尝试以某种方式扩展分析器，则使用此模块可能会更容易完成任务。该模块最初由 Jim Roskind 设计和编写。
备注
profiler 分析器模块被设计为给指定的程序提供执行概要文件，而不是用于基准测试目的（ timeit 才是用于此目标的，它能获得合理准确的结果）。这特别适用于将 Python 代码与 C 代码进行基准测试：分析器为Python 代码引入开销，但不会为 C级别的函数引入开销，因此 C 代码似乎比任何Python 代码都更快。
Profiler Comparison:
Feature |
Statistical
( |
Deterministic
( |
Deterministic
( |
|---|---|---|---|
Target |
Running process |
Code you run |
Code you run |
Overhead |
Virtually none |
Moderate |
High |
Accuracy |
Statistical approx. |
Exact call counts |
Exact call counts |
Setup |
Attach to any PID |
Instrument code |
Instrument code |
Use Case |
Production debugging |
Development/testing |
Profiler extension |
Implementation |
C extension |
C extension |
Pure Python |
备注
The statistical profiler (profiling.sampling) is recommended for most production
use cases due to its extremely low overhead and ability to profile running processes
without modification. It can attach to any Python process and collect performance
data with minimal impact on execution speed, making it ideal for debugging
performance issues in live applications.
What Is Statistical Profiling?¶
Statistical profiling works by periodically interrupting a running program to capture its current call stack. Rather than monitoring every function entry and exit like deterministic profilers, it takes snapshots at regular intervals to build a statistical picture of where the program spends its time.
The sampling profiler uses process memory reading (via system calls like
process_vm_readv on Linux, vm_read on macOS, and ReadProcessMemory on
Windows) to attach to a running Python process and extract stack trace
information without requiring any code modification or restart of the target
process. This approach provides several key advantages over traditional
profiling methods.
The fundamental principle is that if a function appears frequently in the collected stack samples, it is likely consuming significant CPU time. By analyzing thousands of samples, the profiler can accurately estimate the relative time spent in different parts of the program. The statistical nature means that while individual measurements may vary, the aggregate results converge to represent the true performance characteristics of the application.
Since statistical profiling operates externally to the target process, it introduces virtually no overhead to the running program. The profiler process runs separately and reads the target process memory without interrupting its execution. This makes it suitable for profiling production systems where performance impact must be minimized.
The accuracy of statistical profiling improves with the number of samples collected. Short-lived functions may be missed or underrepresented, while long-running functions will be captured proportionally to their execution time. This characteristic makes statistical profiling particularly effective for identifying the most significant performance bottlenecks rather than providing exhaustive coverage of all function calls.
Statistical profiling excels at answering questions like "which functions consume the most CPU time?" and "where should I focus optimization efforts?" rather than "exactly how many times was this function called?" The trade-off between precision and practicality makes it an invaluable tool for performance analysis in real-world applications.
实时用户手册¶
本节是为 “不想阅读手册” 的用户提供的。它提供了非常简短的概述，并允许用户快速对现有应用程序执行评测。
Statistical Profiling (Recommended for Production):
To profile an existing running process:
python -m profiling.sampling 1234
To profile with custom settings:
python -m profiling.sampling -i 50 -d 30 1234
Deterministic Profiling (Development/Testing):
要分析采用单个参数的函数，可以执行以下操作：
import cProfile
import re
cProfile.run('re.compile("foo|bar")')
（如果 cProfile 在您的系统上不可用，请使用 profile 。）
上述操作将运行 re.compile() 并打印分析结果，如下所示：
214 function calls (207 primitive calls) in 0.002 seconds
Ordered by: cumulative time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.002 0.002 {built-in method builtins.exec}
1 0.000 0.000 0.001 0.001 <string>:1(<module>)
1 0.000 0.000 0.001 0.001 __init__.py:250(compile)
1 0.000 0.000 0.001 0.001 __init__.py:289(_compile)
1 0.000 0.000 0.000 0.000 _compiler.py:759(compile)
1 0.000 0.000 0.000 0.000 _parser.py:937(parse)
1 0.000 0.000 0.000 0.000 _compiler.py:598(_code)
1 0.000 0.000 0.000 0.000 _parser.py:435(_parse_sub)
第一行显示有 214 个调用被监控。 在这些调用中，207 为 primitive，表示这些调用不是通过递归引起的。 下一行: Ordered by: cumulative time 表示输出是按 cumtime 值排序的。 列标题包括：
- ncalls
调用次数
- tottime
在指定函数中消耗的总时间（不包括调用子函数的时间）
- percall
是
tottime除以ncalls的商- cumtime
指定的函数及其所有子函数（从调用到退出）消耗的累积时间。这个数字对于递归函数来说是准确的。
- percall
是
cumtime除以原始调用（次数）的商（即：函数运行一次的平均时间）- filename:lineno(function)
提供相应数据的每个函数
如果第一列中有两个数字（例如3/1），则表示函数递归。第二个值是原始调用次数，第一个是调用的总次数。请注意，当函数不递归时，这两个值是相同的，并且只打印单个数字。
profile 运行结束时，打印输出不是必须的。也可以通过为 run() 函数指定文件名，将结果保存到文件中：
import cProfile
import re
cProfile.run('re.compile("foo|bar")', 'restats')
pstats.Stats 类从文件中读取 profile 结果，并以各种方式对其进行格式化。
Statistical Profiler Command Line Interface¶
The profiling.sampling module can be invoked as a script to profile running processes:
python -m profiling.sampling [options] PID
Basic Usage Examples:
Profile process 1234 for 10 seconds with default settings:
python -m profiling.sampling 1234
Profile with custom interval and duration, save to file:
python -m profiling.sampling -i 50 -d 30 -o profile.stats 1234
Generate collapsed stacks to use with tools like flamegraph.pl:
python -m profiling.sampling --collapsed 1234
Profile all threads, sort by total time:
python -m profiling.sampling -a --sort-tottime 1234
Profile with real-time sampling statistics:
python -m profiling.sampling --realtime-stats 1234
Command Line Options:
- PID¶
Process ID of the Python process to profile (required)
- -i, --interval INTERVAL¶
Sampling interval in microseconds (default: 100)
- -d, --duration DURATION¶
Sampling duration in seconds (default: 10)
- -a, --all-threads¶
Sample all threads in the process instead of just the main thread
- --realtime-stats¶
Print real-time sampling statistics during profiling
- --pstats¶
Generate pstats output (default)
- --collapsed¶
Generate collapsed stack traces for flamegraphs
- -o, --outfile OUTFILE¶
Save output to a file
Sorting Options (pstats format only):
- --sort-nsamples¶
Sort by number of direct samples
- --sort-tottime¶
Sort by total time
- --sort-cumtime¶
Sort by cumulative time (default)
- --sort-sample-pct¶
Sort by sample percentage
- --sort-cumul-pct¶
Sort by cumulative sample percentage
- --sort-nsamples-cumul¶
Sort by cumulative samples
- --sort-name¶
Sort by function name
- -l, --limit LIMIT¶
Limit the number of rows in the output (default: 15)
- --no-summary¶
Disable the summary section in the output
Understanding Statistical Profile Output:
The statistical profiler produces output similar to deterministic profilers but with different column meanings:
Profile Stats:
nsamples sample% tottime (ms) cumul% cumtime (ms) filename:lineno(function)
45/67 12.5 23.450 18.6 56.780 mymodule.py:42(process_data)
23/23 6.4 15.230 6.4 15.230 <built-in>:0(len)
Column Meanings:
nsamples:
direct/cumulative- Times function was directly executing / on call stacksample%: Percentage of total samples where function was directly executing
tottime: Estimated time spent directly in this function
cumul%: Percentage of samples where function was anywhere on call stack
cumtime: Estimated cumulative time including called functions
filename:lineno(function): Location and name of the function
profiling.sampling Module Reference¶
This section documents the programmatic interface for the profiling.sampling module.
For command-line usage, see Statistical Profiler Command Line Interface. For conceptual information
about statistical profiling, see What Is Statistical Profiling?
- profiling.sampling.sample(pid, *, sort=2, sample_interval_usec=100, duration_sec=10, filename=None, all_threads=False, limit=None, show_summary=True, output_format='pstats', realtime_stats=False)¶
Sample a Python process and generate profiling data.
This is the main entry point for statistical profiling. It creates a
SampleProfiler, collects stack traces from the target process, and outputs the results in the specified format.- 参数:
pid (int) -- Process ID of the target Python process
sort (int) -- Sort order for pstats output (default: 2 for cumulative time)
sample_interval_usec (int) -- Sampling interval in microseconds (default: 100)
duration_sec (int) -- Duration to sample in seconds (default: 10)
filename (str) -- Output filename (None for stdout/default naming)
all_threads (bool) -- Whether to sample all threads (default: False)
limit (int) -- Maximum number of functions to display (default: None)
show_summary (bool) -- Whether to show summary statistics (default: True)
output_format (str) -- Output format - 'pstats' or 'collapsed' (default: 'pstats')
realtime_stats (bool) -- Whether to display real-time statistics (default: False)
- 抛出:
ValueError -- If output_format is not 'pstats' or 'collapsed'
Examples:
# Basic usage - profile process 1234 for 10 seconds import profiling.sampling profiling.sampling.sample(1234) # Profile with custom settings profiling.sampling.sample(1234, duration_sec=30, sample_interval_usec=50, all_threads=True) # Generate collapsed stack traces for flamegraph.pl profiling.sampling.sample(1234, output_format='collapsed', filename='profile.collapsed')
- class profiling.sampling.SampleProfiler(pid, sample_interval_usec, all_threads)¶
Low-level API for the statistical profiler.
This profiler uses periodic stack sampling to collect performance data from running Python processes with minimal overhead. It can attach to any Python process by PID and collect stack traces at regular intervals.
- 参数:
- sample(collector, duration_sec=10)¶
Sample the target process for the specified duration.
Collects stack traces from the target process at regular intervals and passes them to the provided collector for processing.
- 参数:
collector -- Object that implements
collect()method to process stack tracesduration_sec (int) -- Duration to sample in seconds (default: 10)
The method tracks sampling statistics and can display real-time information if realtime_stats is enabled.
参见
- Statistical Profiler Command Line Interface
Command-line interface documentation for the statistical profiler.
Deterministic Profiler Command Line Interface¶
cProfile 和 profile 文件也可以作为脚本调用，以分析另一个脚本。例如：
python -m cProfile [-o output_file] [-s sort_order] (-m module | myscript.py)
- -o <output_file>¶
将性能分析结果写入到文件而不是标准输出。
- -s <sort_order>¶
指定某个
sort_stats()排序值以对输出进行排序。 这仅适用于未提供-o的情况。
- -m <module>¶
指定要分析的是一个模块而不是脚本。
Added in version 3.7:
cProfile添加-m选项Added in version 3.8:
profile添加-m选项
pstats 模块的 Stats 类具有各种方法用来操纵和打印保存到性能分析结果文件的数据。
import pstats
from pstats import SortKey
p = pstats.Stats('restats')
p.strip_dirs().sort_stats(-1).print_stats()
strip_dirs() 方法移除了所有模块名称中的多余路径。 sort_stats() 方法按照打印出来的标准模块/行/名称对所有条目进行排序。 print_stats() 方法打印出所有的统计数据。 你可以尝试下列排序调用:
p.sort_stats(SortKey.NAME)
p.print_stats()
第一个调用实际上将按函数名称对列表进行排序，而第二个调用将打印出统计数据。 下面是一些可以尝试的有趣调用:
p.sort_stats(SortKey.CUMULATIVE).print_stats(10)
这将按一个函数中的累计时间对性能分析数据进行排序，然后只打印出最重要的十行。 如果你了解哪些算法在耗费时间，上面这一行就是你应该使用的。
如果你想要看看哪些函数的循环次数多，且耗费时间长，你应当这样做:
p.sort_stats(SortKey.TIME).print_stats(10)
以按照每个函数耗费的时间进行排序，然后打印前十个函数的统计数据。
你也可以尝试：
p.sort_stats(SortKey.FILENAME).print_stats('__init__')
这将按照文件名对所有统计数据进行排序，然后只打印出类初始化方法的统计数据 (因为它们的名称中都有 __init__)。 作为最后一个例子，你可以尝试:
p.sort_stats(SortKey.TIME, SortKey.CUMULATIVE).print_stats(.5, 'init')
这一行以时间为主键，并以累计时间为次键进行排序，然后打印出部分统计数据。 具体来说，该列表首先被缩减至原始大小的 50% (即: .5)，然后只保留包含 init 的行，并打印该子列表。
如果你想知道有哪些函数调用了上述函数，你现在就可以做 (p 仍然会按照最后一个标准进行排序):
p.print_callers(.5, 'init')
这样你将得到每个被列出的函数的调用方列表。
如果你想要更多的功能，你就必须阅读手册，或者自行猜测下列函数的作用:
p.print_callees()
p.add('restats')
作为脚本被唤起，pstats 模块是一个用于读取和性能分析转储文件的统计数据浏览器。 它有一个简单的面向行的界面（使用 cmd 实现）和交互式的帮助。
profile 和 cProfile 模块参考¶
- profile.run(command, filename=None, sort=-1)¶
此函数接受一个可被传递给
exec()函数的单独参数，以及一个可选的文件名。 在所有情况下这个例程都会执行:exec(command, __main__.__dict__, __main__.__dict__)
并收集执行过程中的性能分析统计数据。 如果未提供文件名，则此函数会自动创建一个
Stats实例并打印一个简单的性能分析报告。 如果指定了 sort 值，则它会被传递给这个Stats实例以控制结果的排序方式。
- profile.runctx(command, globals, locals, filename=None, sort=-1)¶
此函数类似于
run()，带有为 command 字符串提供 globals 和 locals 映射对象的附加参数。 这个例程会执行:exec(command, globals, locals)
并像在上述的
run()函数中一样收集性能分析数据。
- class profile.Profile(timer=None, timeunit=0.0, subcalls=True, builtins=True)¶
这个类通常只在需要比
cProfile.run()函数所能提供的更精确的性能分析控制时被使用。可以通过 timer 参数提供一个自定义计时器来测量代码运行花费了多长时间。 它必须是一个返回代表当前时间的单个数字的函数。 如果该数字为整数，则 timeunit 指定一个表示每个时间单位持续时间的乘数。 例如，如果定时器返回以千秒为计量单位的时间值，则时间单位将为
.001。直接使用
Profile类将允许格式化性能分析结果而无需将性能分析数据写入到文件:import cProfile, pstats, io from pstats import SortKey pr = cProfile.Profile() pr.enable() # 做些事情…… pr.disable() s = io.StringIO() sortby = SortKey.CUMULATIVE ps = pstats.Stats(pr, stream=s).sort_stats(sortby) ps.print_stats() print(s.getvalue())
Profile类也可作为上下文管理器使用 (仅在cProfile模块中支持。 参见 上下文管理器类型):import cProfile with cProfile.Profile() as pr: # 做些事情…… pr.print_stats()
在 3.8 版本发生变更: 添加了上下文管理器支持。
- create_stats()¶
停止收集分析数据，并在内部将结果记录为当前 profile。
- print_stats(sort=-1)¶
根据当前性能分析数据创建一个
Stats对象并将结果打印到 stdout。sort 形参指定所显示统计信息的排序。 它接受单个键或由键组成的元组以启用多级排序，就像在
Stats.sort_stats中那样。Added in version 3.13: 现在
print_stats()可接受一个由键组成的元组。
- dump_stats(filename)¶
将当前profile 的结果写入 filename 。
- runcall(func, /, *args, **kwargs)¶
对
func(*args, **kwargs)进行性能分析
请注意性能分析只有在被调用的命令/函数确实能返回时才可用。 如果解释器被终结（例如在被调用的命令/函数执行期间通过 sys.exit() 调用）则将不会打印性能分析结果。
Stats 类¶
性能数据的分析是使用 Stats 类来完成的。
- class pstats.Stats(*filenames or profile, stream=sys.stdout)¶
这个类构造器会基于 filename (或文件名列表) 或者
Profile实例创建一个“统计对象”。 输出将被打印到由 stream 所指定的流。上述构造器所选择的文件必须由相应版本的
profile或cProfile来创建。 具体来说，不会 保证文件与此性能分析器的未来版本兼容，也不会保证与其他性能分析器，或运行于不同操作系统的同一性能分析器所产生的文件兼容。 如果提供了几个文件，则相同函数的所有统计数据将被聚合在一起，这样就可以在单个报告中同时考虑几个进程的总体情况。 如果额外的文件需要与现有Stats对象中的数据相结合，则可以使用add()方法。作为从一个文件读取性能分析数据的替代，可以使用
cProfile.Profile或profile.Profile对象作为性能分析数据源。Stats对象有以下方法:- strip_dirs()¶
这个用于
Stats类的方法会从文件名中去除所有前导路径信息。 它对于减少打印输出的大小以适应（接近） 80 列限制。 这个方法会修改对象，被去除的信息将会丢失。 在执行去除操作后，可以认为对象拥有的条目将使用“随机”顺序，就像它刚在对象初始化并加载之后一样。 如果strip_dirs()导致两个函数名变得无法区分（它们位于相同文件名的相同行，并且具有相同的函数名），那么这两个条目的统计数据将被累积到单个条目中。
- add(*filenames)¶
Stats类的这个方法会将额外的性能分析信息累积到当前的性能分析对象中。 它的参数应当指向由相应版本的profile.run()或cProfile.run()所创建的文件名。 相同名称（包括 file, line, name）函数的统计信息会自动累积到单个函数的统计信息。
- dump_stats(filename)¶
将加载至
Stats对象内的数据保存到名为 filename 的文件。 该文件如果不存在则将被创建，如果已存在则将被覆盖。 这等价于profile.Profile和cProfile.Profile类上的同名方法。
- sort_stats(*keys)¶
此方法通过根据所提供的准则修改
Stats对象的排序。 其参数可以是一个字符串或标识排序准则的 SortKey 枚举 (例如:'time','name',SortKey.TIME或SortKey.NAME)。 SortKey 枚举参数优于字符串参数因为它更为健壮且更不容易出错。当提供一个以上的键时，额外的键将在之前选择的所有键的值相等时被用作次级准则。 例如，
sort_stats(SortKey.NAME, SortKey.FILE)将根据其函数名对所有条目排序，并通过按文件名排序来处理所有平局（即函数名相同）。对于字符串参数，可以对任何键名使用缩写形式，只要缩写是无歧义的。
以下是有效的字符串和 SortKey:
有效字符串参数
有效枚举参数
含意
'calls'SortKey.CALLS
调用次数
'cumulative'SortKey.CUMULATIVE
累积时间
'cumtime'N/A
累积时间
'file'N/A
文件名
'filename'SortKey.FILENAME
文件名
'module'N/A
文件名
'ncalls'N/A
调用次数
'pcalls'SortKey.PCALLS
原始调用计数
'line'SortKey.LINE
行号
'name'SortKey.NAME
函数名称
'nfl'SortKey.NFL
名称/文件/行
'stdname'SortKey.STDNAME
标准名称
'time'SortKey.TIME
内部时间
'tottime'N/A
内部时间
请注意对统计信息的所有排序都是降序的（将最耗时的条目放在最前面），其中名称、文件和行号搜索则是升序的（字母顺序）。
SortKey.NFL和SortKey.STDNAME之间的细微区别在于标准名称是按打印形式来排序名称的，这意味着嵌入的行号将以一种怪异的方式进行比较。 例如，第 3, 20 和 40 行将会按字符串顺序 20, 3 和 40 显示（如果文件名相同的话）。 相反地，SortKey.NFL则会对行号进行数值比较。 实际上，sort_stats(SortKey.NFL)就等同于sort_stats(SortKey.NAME, SortKey.FILENAME, SortKey.LINE)。出于向下兼容的理由，数值参数
-1,0,1和2也是被允许的。 它们将被分别解读为'stdname','calls','time'和'cumulative'。 如果使用这种老旧格式（数值），则将只使用一个排序键（数字键），额外的参数将被静默地忽略。Added in version 3.7: 增加了 SortKey 枚举。
- print_stats(*restrictions)¶
这个用于
Stats类的方法将打印出在profile.run()定义中描述的报告。打印的顺序是基于在对象上执行的最后一次
sort_stats()操作（需要注意add()和strip_dirs()规则）。所提供的参数（如果存在）可被用来将列表限制到部分重要条目。 在初始状态下，列表将为加入性能分析的函数的完整集合。 每条限制可以是一个整数（用来选择行数），或是一个 0.0 至 1.0 范围内左开右闭的十进制小数（用来选择行数百分比），或是一个将被解读为正则表达式的字符串（用来匹配要打印的标准名称的模式）。 如果提供了多条限制，则它们将被按顺序应用。 例如:
print_stats(.1, 'foo:')
将首先限制为打印列表的前 10%，然后再限制为仅打印在名为
.*foo:的文件内的函数。 作为对比，以下命令:print_stats('foo:', .1)
将列表限制为名为
.*foo:的文件内的所有函数，然后再限制为仅打印它们当中的前 10%。
- print_callers(*restrictions)¶
这个用于
Stats类的方法将打印调用了加入性能分析数据库的每个函数的所有函数的列表。 打印顺序与print_stats()所提供的相同，受限参数的定义也是相同的。 每个调用方将在单独的行中报告。 具体格式根据产生统计数据的性能分析器的不同而有所差异。
- print_callees(*restrictions)¶
这个用于
Stats类的方法将打印被指定的函数所调用的所有函数的列表。 除了调用方向是逆序的（对应：被调用和被调用方），其参数和顺序与print_callers()方法相同。
- get_stats_profile()¶
此方法返回一个 StatsProfile 的实例，它包含从函数名称到 FunctionProfile 实例的映射。 每个 FunctionProfile 实例保存了相应函数性能分析的有关信息如函数运行耗费了多长时间，它被调用了多少次等等……
Added in version 3.9: 添加了以下数据类: StatsProfile, FunctionProfile。 添加了以下函数: get_stats_profile。
什么是确定性性能分析？¶
Deterministic profiling is meant to reflect the fact that all function
call, function return, and exception events are monitored, and precise
timings are made for the intervals between these events (during which time the
user's code is executing). In contrast, statistical profiling (which is
provided by the profiling.sampling module) periodically samples the effective instruction pointer, and
deduces where time is being spent. The latter technique traditionally involves
less overhead (as the code does not need to be instrumented), but provides only
relative indications of where time is being spent.
在Python中，由于在执行过程中总有一个活动的解释器，因此执行确定性评测不需要插入指令的代码。Python 自动为每个事件提供一个 钩子 （可选回调）。此外，Python 的解释特性往往会给执行增加太多开销，以至于在典型的应用程序中，确定性分析往往只会增加很小的处理开销。结果是，确定性分析并没有那么代价高昂，但是它提供了有关 Python 程序执行的大量运行时统计信息。
调用计数统计信息可用于识别代码中的错误（意外计数），并识别可能的内联扩展点（高频调用）。内部时间统计可用于识别应仔细优化的 "热循环" 。累积时间统计可用于识别算法选择上的高级别错误。请注意，该分析器中对累积时间的异常处理，允许直接比较算法的递归实现与迭代实现的统计信息。
局限性¶
一个限制是关于时间信息的准确性。确定性性能分析存在一个涉及精度的基本问题。最明显的限制是，底层的 "时钟" 周期大约为0.001秒（通常）。因此，没有什么测量会比底层时钟更精确。如果进行了足够的测量，那么 "误差" 将趋于平均。不幸的是，删除第一个错误会导致第二个错误来源。
第二个问题是，从调度事件到分析器调用获取时间函数实际 获取 时钟状态，这需要 "一段时间" 。类似地，从获取时钟值（然后保存）开始，直到再次执行用户代码为止，退出分析器事件句柄时也存在一定的延迟。因此，多次调用单个函数或调用多个函数通常会累积此错误。尽管这种方式的误差通常小于时钟的精度（小于一个时钟周期），但它 可以 累积并变得非常可观。
与开销较低的 cProfile 相比， profile 的问题更为严重。出于这个原因， profile 提供了一种针对指定平台的自我校准方法，以便可以在很大程度上（平均地）消除此误差。 校准后，结果将更准确（在最小二乘意义上），但它有时会产生负数（当调用计数异常低，且概率之神对您不利时：-）。因此 不要 对产生的负数感到惊慌。它们应该只在你手工校准分析器的情况下才会出现，实际上结果比没有校准的情况要好。
准确估量¶
profile 模块的 profiler 会从每个事件处理时间中减去一个常量，以补偿调用 time 函数和存储结果的开销。默认情况下，常数为0。对于特定的平台，可用以下程序获得更好修正常数（ 局限性 ）。
import profile
pr = profile.Profile()
for i in range(5):
print(pr.calibrate(10000))
此方法将执行由参数所给定次数的 Python 调用，在性能分析器之下直接和再次地执行，并对两次执行计时。 它将随后计算每个性能分析器事件的隐藏开销，并将其以浮点数的形式返回。 例如，在一台运行 macOS 的 1.8Ghz Intel Core i5 上，使用 Python 的 time.process_time() 作为计时器，魔数大约为 4.04e-6。
此操作的目标是获得一个相当稳定的结果。 如果你的计算机 非常 快速，或者你的计时器函数的分辨率很差，你可能必须传入 100000，甚至 1000000，才能得到稳定的结果。
当你有一个一致的答案时，有三种方法可以使用：
import profile
# 1. 将计算出的偏差应用于此后创建的所有 Profile 实例。
profile.Profile.bias = your_computed_bias
# 2 将计算出的偏差应用于特定的 Profile 实例。
pr = profile.Profile()
pr.bias = your_computed_bias
# 3. 在实例构造函数中指定计算出的偏差。
pr = profile.Profile(bias=your_computed_bias)
如果你可以选择，那么选择更小的常量会更好，这样你的结果将“更不容易”在性能分析统计中显示负值。
使用自定义计时器¶
如果你想要改变当前时间的确定方式（例如，强制使用时钟时间或进程持续时间），请向 Profile 类构造器传入你想要的计时函数:
pr = profile.Profile(your_time_func)
结果性能分析器将随后调用 your_time_func。 根据你使用的是 profile.Profile 还是 cProfile.Profile，your_time_func 的返回值将有不同的解读方式:
profile.Profileyour_time_func应当返回一个数字，或一个总和为当前时间的数字列表（如同os.times()所返回的内容）。 如果该函数返回一个数字，或所返回的数字列表长度为 2，则你将得到一个特别快速的调度例程版本。请注意你应当为你选择的计时器函数校准性能分析器类 (参见 准确估量)。 对于大多数机器来说，一个返回长整数值的计时器在性能分析期间将提供在低开销方面的最佳结果。 (
os.times()是 相当 糟糕的，因为它返回一个浮点数值的元组)。 如果你想以最干净的方式替换一个更好的计时器，请派生一个类并硬连线一个能最佳地处理计时器调用的替换调度方法，并使用适当的校准常量。cProfile.Profileyour_time_func应当返回一个数字。 如果它返回整数，你还可以通过第二个参数指定一个单位时间的实际持续长度来唤起类构造器。 举例来说，如果your_integer_time_func返回以千秒为单位的时间，则你应当以如下方式构造Profile实例:pr = cProfile.Profile(your_integer_time_func, 0.001)
由于
cProfile.Profile类无法被校准，因此自定义计时器函数应当要小心地使用并应当尽可能地快速。 为了使自定义计时器获得最佳结果，可能需要在内部_lsprof模块的 C 源代码中对其进行硬编码。
Python 3.3 在 time 中添加了几个可被用来精确测量进程或时钟时间的新函数。 例如，参见 time.perf_counter()。