京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21