Python 시간 측정 완벽 가이드: 성능 향상을 위한 방법과 사례

1. Python에서 시간을 측정하는 방법

1.1 들어가며

2. 시간 측정의 기본 – time 모듈 사용법

2.1 time.time()의 기본적인 사용법

import time

# 처리 전 시간 가져오기
start_time = time.time()

# 측정하려는 처리(예: 100만 번 루프)
for i in range(1000000):
    i ** 10

# 처리 후 시간 가져오기
end_time = time.time()

# 경과 시간 표시
elapsed_time = end_time - start_time
print(f"경과 시간: {elapsed_time}초")

2.2 time.time()의 장점과 단점

3. 고정밀 측정 – perf_counter()의 사용법

3.1 perf_counter()란?

3.2 예시: 알고리즘 최적화

import time

def fibonacci(n):
    if n == 0:
        return 0
    elif n == 1:
        return 1
    else:
        return fibonacci(n - 1) + fibonacci(n - 2)

# 고정밀 시간 측정
start_time = time.perf_counter()
fibonacci(30)
end_time = time.perf_counter()

# 경과 시간 표시
elapsed_time = end_time - start_time
print(f"고정밀 경과 시간: {elapsed_time}초")

4. 기타 측정 방법

4.1 time.process_time()를 사용한 측정

import time

# CPU 사용 시간 측정 시작
start_time = time.process_time()

# 측정하려는 작업
for i in range(1000000):
    i ** 10

# 종료 시간 가져오기
end_time = time.process_time()

# 경과 CPU 사용 시간 표시
elapsed_time = end_time - start_time
print(f"CPU 사용 시간: {elapsed_time}초")

4.2 time.monotonic()를 사용한 측정

5. 응용: cProfile과timeit으로 프로파일링

5.1 cProfile을 사용한 프로파일링

import cProfile

def my_function():
    for i in range(1000000):
        i ** 10

# 함수 프로파일링
cProfile.run('my_function()')

5.2 timeit을 사용한 상세한 측정

import timeit

# 실행 횟수를 지정해 처리 시간을 측정
print(timeit.timeit('for i in range(1000000): i ** 10', number=10))

6. 흔한 실수와 모범 사례

6.1 흔한 실수

• 너무 짧은 처리 측정: 짧은 처리 시간을 time.time()으로 측정하면 오차가 커지기 쉽습니다. 정확도가 필요한 경우에는 perf_counter()를 사용해야 합니다.
• 코드의 위치: 시간 측정을 수행하는 코드를 함수의 적절한 위치에 배치하지 않으면, 다른 처리가 섞여 정확한 결과를 얻지 못할 수 있습니다.

6.2 모범 사례

• 정밀도가 높은 방법을 선택하기: perf_counter()와 timeit을 활용해 정확한 측정을 수행하세요. 이러한 방법은 특히 짧은 처리에서 효과적입니다.
• 평균값을 구하기: 한 번의 실행 결과가 아니라 여러 번 실행한 결과를 얻고, 그 평균값을 사용함으로써 측정 오차를 최소화할 수 있습니다.
• 프로파일링을 정기적으로 수행하기: 복잡한 코드나 장시간 처리에는 정기적으로 cProfile을 사용해 성능을 분석하고, 최적화 포인트를 찾는 것이 중요합니다.

7. 요약과 사례 연구

7.1 요약

7.2 사례 연구: 실제 프로젝트에서의 성능 최적화

사례 1: 웹 애플리케이션의 응답 속도 최적화

• 대응책: 쿼리 인덱스를 최적화하고 캐시를 도입하여 쿼리 처리를 고속화했습니다. 또한 쿼리 자체를 리팩터링하여 불필요한 연산을 제거했습니다.
• 결과: 응답 시간이 50% 이상 개선되어 사용자 평가도 향상되었습니다.

사례 2: AI 모델의 학습 시간 단축

• 대응책: 병목이었던 데이터 전처리 부분을 최적화하고 병렬 처리를 도입했습니다. 추가로 GPU를 효율적으로 활용하기 위해 배치 크기를 조정했습니다.
• 결과: 모델 학습 시간이 30% 단축되어 더 짧은 주기로 모델을 업데이트할 수 있게 되었습니다.

사례 3: 게임 개발에서의 프레임레이트 개선

• 대응책: 물리 연산 알고리즘을 최적화하고 더 효율적인 데이터 구조를 도입하여 불필요한 계산을 줄였습니다. 또한 렌더링 처리를 최적화해 불필요한 렌더링을 제거했습니다.
• 결과: 프레임레이트가 안정되어 게임이 부드럽게 동작하게 되었습니다.

8. 마치며