
作者:某某白米饭
来源:Python 技术
在写算法的时候,总是要每行每个变量一个个的 debug,有时候还要多写几个 print,一道算法题要花好长时间才能理解。pysnooper 模块可以把在运行中变量值都给打印出来。
pip3 install pysnooper
下面是道简单的力扣算法题作为一个简单的例子
import pysnooper @pysnooper.snoop() def longestCommonPrefix(strs): res = '' for i in zip(*strs): print(i) if len(set(i)) == 1: res += i[0] else break return res if __name__ == 'main': longestCommonPrefix(["flower","flow","flight"])
结果:
3:38:25.863579 call 4 def longestCommonPrefix(strs): 23:38:25.864474 line 5 res = '' New var:....... res = '' 23:38:25.864474 line 6 for i in zip(*strs): New var:....... i = ('f', 'f', 'f') 23:38:25.865479 line 7 print(i) ('f', 'f', 'f') 23:38:25.866471 line 8 if len(set(i))==1: 23:38:25.866471 line 9 res+=i[0] Modified var:.. res = 'f' 23:38:25.866471 line 6 for i in zip(*strs): Modified var:.. i = ('l', 'l', 'l') 23:38:25.866471 line 7 print(i) ('l', 'l', 'l') 23:38:25.867468 line 8 if len(set(i))==1: 23:38:25.867468 line 9 res+=i[0] Modified var:.. res = 'fl' 23:38:25.868476 line 6 for i in zip(*strs): Modified var:.. i = ('o', 'o', 'i') 23:38:25.868476 line 7 print(i) ('o', 'o', 'i') 23:38:25.869463 line 8 if len(set(i))==1: 23:38:25.869463 line 11 break 23:38:25.869463 line 12 return res 23:38:25.869463 return 12 return res Return value:.. 'fl' Elapsed time: 00:00:00.008201
我们可以看到 pysnooper 把整个执行程序都记录了下来,其中包括行号, 行内容,变量的结果等情况,我们很容易的就看懂了这个算法的真实情况。并且不需要再使用 debug 和 print 调试代码。很是省时省力,只需要在方法上面加一行 @pysnooper.snoop()。
pysnooper 包含了多个参数,一起来看看吧
output 默认输出到控制台,设置后输出到文件,在服务器中运行的时候,特定的时间出现代码问题就很容易定位错误了,不然容易抓瞎。小编在实际中已经被这种问题困扰了好几次,每次都掉好多头发。
@pysnooper.snoop('D:pysnooper.log') def longestCommonPrefix(strs):
示例结果:
watch 用来设置跟踪的非局部变量,watch_explode 表示设置的变量都不监控,只监控没设置的变量,正好和 watch 相反。
index = 1 @pysnooper.snoop(watch=('index')) def longestCommonPrefix(strs):
示例结果
没有加 watch 参数
Starting var:.. strs = ['flower', 'flow', 'flight'] 00:12:33.715367 call 5 def longestCommonPrefix(strs): 00:12:33.717324 line 7 res = '' New var:....... res = ''
加了watch 参数,就会有一个 Starting var:.. index
Starting var:.. strs = ['flower', 'flow', 'flight'] Starting var:.. index = 1 00:10:35.151036 call 5 def longestCommonPrefix(strs): 00:10:35.151288 line 7 res = '' New var:....... res = ''
depth 监控函数的深度
@pysnooper.snoop(depth=2) def longestCommonPrefix(strs): otherMethod()
示例结果
Starting var:.. strs = ['flower', 'flow', 'flight'] 00:20:54.059803 call 5 def longestCommonPrefix(strs): 00:20:54.059803 line 6 otherMethod() 00:20:54.060785 call 16 def otherMethod(): 00:20:54.060785 line 17 x = 1 New var:....... x = 1 00:20:54.060785 line 18 x = x + 1 Modified var:.. x = 2 00:20:54.060785 return 18 x = x + 1 Return value:.. None 00:20:54.061782 line 7 res = ''
监控的结果显示,当监控到调用的函数的时候,记录上会加上缩进,并将它的局部变量和返回值打印处理。
prefix 输出内容的前缀
@pysnooper.snoop(prefix='-------------') def longestCommonPrefix(strs):
示例结果
-------------Starting var:.. strs = ['flower', 'flow', 'flight'] -------------00:39:13.986741 call 5 def longestCommonPrefix(strs): -------------00:39:13.987218 line 6 res = ''
relative_time 代码运行的时间
@pysnooper.snoop(relative_time=True) def longestCommonPrefix(strs):
示例结果
Starting var:.. strs = ['flower', 'flow', 'flight'] 00:00:00.000000 call 5 def longestCommonPrefix(strs): 00:00:00.001998 line 6 res = '' New var:....... res = '' 00:00:00.001998 line 7 for i in zip(*strs):
max_variable_length 输出的变量和异常的最大长度,默认是 100 个字符,超过 100 个字符就会被截断,可以设置为 max_variable_length=None 不截断输出
@pysnooper.snoop(max_variable_length=5) def longestCommonPrefix(strs):
示例结果
Starting var:.. strs = [...] 00:56:44.343639 call 5 def longestCommonPrefix(strs): 00:56:44.344696 line 6 res = '' New var:....... res = '' 00:56:44.344696 line 7 for i in zip(*strs): New var:....... i = (...)
本文介绍了怎么使用 pysnooper 工具,pysnooper 不仅可以少一些 debug 和 print,更能帮助理解算法题。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10