[파이썬] %timeit으로 jupyter notebook에서 Cell 단위 코드 수행 시간 확인하기

목차

들어가며

jupyter notebook에서 셀 단위로 속도를 확인하는 방법을 알아보자.

속도를 비교해볼 함수 리스트의 원소들을 모두 곱하는 함수로 아래와 같다.

def multiplyAll_v1(s:list) -> int:
    ans = 1
    for n in s:
        ans *= n
    return ans

from functools import reduce
def multiplyAll_v2(s:list) -> int:
    return eval("*".join([str(n) for n in s]))


def multiplyAll_v3(s:list) -> int:
    return reduce(lambda x, y: x * y, s)

해당 함수나 reduce, eval 함수에 대해 더 알고 싶다면

[Python] 리스트 요소 곱하기, 배열 원소들끼리 곱하기

[Python] reduce 함수 사용 방법

[Python] eval() / exec() 함수로 문자열을 파이썬 코드로 실행하기

 

% 와 %% 의 차이

% 는 line command로 하나의 라인에 대해서 적용된다.

%% 는 cell command로 해당 Cell에 작성된 모든 코드에 적용된다.

나는 jupyter의 하나의 셀에 대해서 수행되는 속도를 확인하기 위함이므로

Cell Command인 %%를 사용해서 명령을 수행할 것이다.

그래서 %%time 과 %%timeit 으로 사용하는 것이다.

 

%%time

한번만 실행하면서 수행 시간을 확인하는 방법

너무 간단한 함수는 한 번만 수행하기 때문에 수행 시간이 너무 짧게 나올 수 있다.

%%time

multiplyAll_v1([i for i in range(1, 1000)])

>>> Wall time: 0 ns

%%time

multiplyAll_v2([i for i in range(1, 1000)])

>>> Wall time: 992 µs

%%time

multiplyAll_v3([i for i in range(1, 10000)])

>>> Wall time: 496 µs

기교부리지 않고 기본에 충실하게 for문을 돌리는 것이 가장 빠른 결과를 볼 수 있다.

 

v2 결과 사진

 

%%timeit

timeit 여러번 반복해서 코드를 수행하면서 평균과 표준편차를 구해서 더욱 정밀하게 시간을 측정할 수 있다.

옵션

-r : 몇 loop를 돌 것인지 설정

-n : 각 loop당 몇 번 실행할 것인지 설정

%%timeit -n 100 -r 10

multiplyAll_v1([5,6,7,8,9])

>>> 224 ns ± 4.05 ns per loop (mean ± std. dev. of 10 runs, 100 loops each)

%%timeit -n 100 -r 10

multiplyAll_v2([5,6,7,8,9])

>>> 7.13 µs ± 1.01 µs per loop (mean ± std. dev. of 10 runs, 100 loops each)

%%timeit -n 100 -r 10

multiplyAll_v3([5,6,7,8,9])

>>> 480 ns ± 48.6 ns per loop (mean ± std. dev. of 10 runs, 100 loops each)

각 loop 별 평균과 표준편차를 같이 보여주는 것을 볼 수 있다.

time에서 확인한 것과 마찬가지로 v1이 가장 빠르고 v3가 두번째, v2가 가장 느리다.

역시 기본에 충실하자...

이와 같은 방법으로 Cell 별로 코드 수행속도를 확인 및 비교할 수 있다.