====== Teljesítmény teszt ======
  * http://stackoverflow.com/questions/24791251/install-pyyaml-using-pip-add-pyyaml-as-pip-dependency/24791419#24791419
  * http://www.huyng.com/posts/python-performance-analysis/
  * https://docs.python.org/3.4/library/tracemalloc.html


===== Futás idő =====
  - Függőségek telepítése: <code bash>
pip install line_profiler
</code>
  - Dekoráljuk meg a tesztelendő függvényeket ''@profile'' dekorátorral
  - Indítsuk el speciálisan: <code bash>
kernprof -l script_to_profile.py
</code>
  - Nézzük meg az eredményt: <code bash>
python -m line_profiler script_to_profile.py.lprof
</code><file>
Pystone(1.1) time for 50000 passes = 2.48
This machine benchmarks at 20161.3 pystones/second
Wrote profile results to pystone.py.lprof
Timer unit: 1e-06 s

File: pystone.py
Function: Proc2 at line 149
Total time: 0.606656 s

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
   149                                           @profile
   150                                           def Proc2(IntParIO):
   151     50000        82003      1.6     13.5      IntLoc = IntParIO + 10
   152     50000        63162      1.3     10.4      while 1:
   153     50000        69065      1.4     11.4          if Char1Glob == 'A':
   154     50000        66354      1.3     10.9              IntLoc = IntLoc - 1
   155     50000        67263      1.3     11.1              IntParIO = IntLoc - IntGlob
   156     50000        65494      1.3     10.8              EnumLoc = Ident1
   157     50000        68001      1.4     11.2          if EnumLoc == Ident1:
   158     50000        63739      1.3     10.5              break
   159     50000        61575      1.2     10.1      return IntParIO
</file>


===== Memória =====
  - Függőségek telepítése: <code bash>
pip install -U memory_profiler
pip install psutil
</code>
  - Dekoráljuk meg a tesztelendő függvényeket ''@profile'' dekorátorral
  - Indítsuk el speciálisan: <code bash>
python -m memory_profiler primes.py
</code> <code>
Filename: primes.py

Line #    Mem usage  Increment   Line Contents
==============================================
     2                           @profile
     3    7.9219 MB  0.0000 MB   def primes(n): 
     4    7.9219 MB  0.0000 MB       if n==2:
     5                                   return [2]
     6    7.9219 MB  0.0000 MB       elif n<2:
     7                                   return []
     8    7.9219 MB  0.0000 MB       s=range(3,n+1,2)
     9    7.9258 MB  0.0039 MB       mroot = n ** 0.5
    10    7.9258 MB  0.0000 MB       half=(n+1)/2-1
    11    7.9258 MB  0.0000 MB       i=0
    12    7.9258 MB  0.0000 MB       m=3
    13    7.9297 MB  0.0039 MB       while m <= mroot:
    14    7.9297 MB  0.0000 MB           if s[i]:
    15    7.9297 MB  0.0000 MB               j=(m*m-3)/2
    16    7.9258 MB -0.0039 MB               s[j]=0
    17    7.9297 MB  0.0039 MB               while j<half:
    18    7.9297 MB  0.0000 MB                   s[j]=0
    19    7.9297 MB  0.0000 MB                   j+=m
    20    7.9297 MB  0.0000 MB           i=i+1
    21    7.9297 MB  0.0000 MB           m=2*i+3
    22    7.9297 MB  0.0000 MB       return [2]+[x for x in s if x]
</code>


===== Leak keresés =====
  - Függőségek telepítése: <code bash>
pip install objgraph
</code>
  - Kód megállítása ''pdb''-vel
  - A jelenleg memóriában lévő objektumokról riport kérése: <code python>
import objgraph
objgraph.show_most_common_types()
</code> <code>
MyBigFatObject             20000
tuple                      16938
function                   4310
dict                       2790
wrapper_descriptor         1181
builtin_function_or_method 934
weakref                    764
list                       634
method_descriptor          507
getset_descriptor          451
type                       439
</code>
  - Függőségi gráf generálása: <code python>
objgraph.show_backref([x], filename="/tmp/backrefs.png")
</code>