python如何计算程序的运行时间_python计算代码执行时间的方法-Python教程-PHP中文网

使用time.time()、time.perf_counter()、time.process_time()和timeit模块可测量Python代码执行时间；其中time.time()简单但精度低，受系统时钟影响；perf_counter()提供高精度单调计时，适合短时间测量；process_time()仅统计CPU时间，排除I/O等待；timeit模块通过多次重复运行代码并取最优值，适用于微基准测试，能更准确评估小段代码性能。在性能优化中，除时间测量外，还需考虑内存使用、CPU剖析、I/O延迟、算法复杂度、GIL限制及代码可读性等因素，综合运用工具如cProfile、memory_profiler和多进程等策略，才能有效识别瓶颈并提升整体性能。

python如何计算程序的运行时间_python计算代码执行时间的方法

想知道Python代码到底跑了多久？这在日常开发和性能优化中是个再常见不过的需求了。简单来说，Python提供了几个核心工具来帮你搞定这事儿，最常用的是

time

登录后复制

模块，它能满足大部分日常计时需求；而如果追求极致的精确度，比如要比较不同算法的细微性能差异，

timeit

登录后复制

模块则是你的不二之选。

解决方案

在Python中测量代码执行时间，我们通常会用到

time

登录后复制

模块里的几个函数，以及专门用于性能基准测试的

timeit

登录后复制

模块。

1. 使用

time.time()

登录后复制

进行简单计时

这是最直观也最常用的方法，它返回自纪元（通常是1970年1月1日00:00:00 UTC）以来的秒数。

立即学习“Python免费学习笔记（深入）”；

import time

start_time = time.time()
# 你的代码块
sum_val = 0
for i in range(10000000):
    sum_val += i
end_time = time.time()

print(f"代码执行时间 (time.time()): {end_time - start_time:.4f} 秒")

登录后复制

这种方法简单易用，适合测量整个脚本或较大代码块的运行时间。但它的精度受限于系统时钟，而且如果系统时间在代码运行期间被调整（比如通过NTP同步），结果可能会受到影响。

2. 使用

time.perf_counter()

登录后复制

进行高精度计时

time.perf_counter()

登录后复制

返回一个性能计数器的值，它是一个绝对时间，但通常不代表任何实际的日期时间，只用于测量短时间间隔。它的精度比

time.time()

登录后复制

更高，并且不受系统时钟调整的影响。

import time

start_perf = time.perf_counter()
# 你的代码块
_ = [x * x for x in range(10000000)]
end_perf = time.perf_counter()

print(f"代码执行时间 (time.perf_counter()): {end_perf - start_perf:.6f} 秒")

登录后复制

当我们需要对代码片段进行更精确的微基准测试时，

perf_counter

登录后复制

是更好的选择。

3. 使用

time.process_time()

登录后复制

测量CPU时间

time.process_time()

登录后复制

返回当前进程的系统和用户CPU时间之和。这意味着它只计算CPU花在执行代码上的时间，不包括I/O等待、睡眠或其他进程占用的时间。

import time

start_cpu = time.process_time()
# 你的代码块
# 模拟一些CPU密集型操作
def fibonacci(n):
    a, b = 0, 1
    for _ in range(n):
        a, b = b, a + b
    return a

fibonacci(300000)
end_cpu = time.process_time()

print(f"代码执行CPU时间 (time.process_time()): {end_cpu - start_cpu:.6f} 秒")

登录后复制

如果你想知道代码实际“消耗”了多少CPU资源，而不是总的“墙钟时间”，

process_time

登录后复制

会给你更准确的答案。

4. 使用

timeit

登录后复制

模块进行专业的性能基准测试

timeit

登录后复制

模块专门为测量小段代码的执行时间而设计，它会多次运行你的代码，然后给出平均时间，从而减少单次运行的随机性误差和测量本身的开销。这对于比较不同算法或实现方式的性能差异非常有用。

import timeit

# 比较两种列表生成方式的性能
setup_code = "import random"
stmt_list_comp = "[random.randint(0, 100) for _ in range(10000)]"
stmt_loop_append = """
my_list = []
for _ in range(10000):
    my_list.append(random.randint(0, 100))
"""

# 运行10000次，重复3次取最好成绩
time_comp = timeit.timeit(stmt=stmt_list_comp, setup=setup_code, number=10000, repeat=3)
time_loop = timeit.timeit(stmt=stmt_loop_append, setup=setup_code, number=10000, repeat=3)

print(f"列表推导式执行时间 (timeit): {min(time_comp)/10000:.6f} 秒/次")
print(f"循环append执行时间 (timeit): {min(time_loop)/10000:.6f} 秒/次")

# 也可以直接测量函数
def my_function():
    return [x * 2 for x in range(10000)]

# timeit.Timer 的用法
timer = timeit.Timer("my_function()", globals=globals()) # globals=globals() 使得my_function可见
result = timer.timeit(number=1000)
print(f"my_function 执行时间 (timeit.Timer): {result/1000:.6f} 秒/次")

登录后复制

timeit

登录后复制

在命令行中也非常好用，比如

python -m timeit "'-'.join(str(n) for n in range(100))"

登录后复制

。它会自动帮你处理多次运行和平均值计算，非常方便。

Python中测量代码执行时间，为什么简单的

time.time()

登录后复制

有时不够精确？

这个问题其实挺有意思的，很多初学者或者说平时不深究的开发者，可能都会觉得

time.time()

登录后复制

就够用了，毕竟它也返回秒数嘛。但实际上，它在某些场景下确实会“掉链子”，或者说不够“诚实”。

首先，

time.time()

登录后复制

依赖的是系统时钟，也就是我们电脑右下角显示的时间。这个时间是可能被调整的。比如，你的系统会定期通过网络时间协议（NTP）与时间服务器同步，或者你手动改了时间。如果你的代码恰好在两次时间同步之间运行，或者在手动调整时间时跨越了那个点，那么

time.time()

登录后复制

计算出来的时间差就可能出现偏差，甚至可能是负数（虽然这种情况比较极端）。它就像你拿着一块普通手表计时，如果手表本身走时不准或者你中途调整了它，结果自然就不准确了。

其次，

time.time()

登录后复制

的精度在不同操作系统和Python版本上可能有所不同。虽然现代系统通常能提供毫秒甚至微秒级的精度，但在一些老旧系统或者某些特定的虚拟化环境中，它的分辨率可能没那么高，导致在测量非常短的代码片段时，误差相对较大。举个例子，如果一个操作只耗时几十微秒，而

time.time()

登录后复制

的最小跳动单位是毫秒，那它就无法精确捕捉到这个细微的差别。

再者，

time.time()

登录后复制

测量的是“墙钟时间”（wall-clock time），也就是从开始到结束，实际过去了多少时间。这个时间包含了CPU执行代码的时间、I/O等待时间（比如读写文件、网络请求）、以及操作系统调度其他进程所花费的时间。如果你只是想知道你的代码纯粹消耗了多少CPU资源，

time.time()

登录后复制

就会把这些非CPU执行的时间也算进去，导致结果不能真实反映代码本身的计算效率。

所以，当我们需要进行严格的性能分析，特别是微基准测试（micro-benchmarking）时，

time.time()

登录后复制

的这些局限性就显得尤为突出。这时，

time.perf_counter()

登录后复制

和

timeit

登录后复制

模块的优势就体现出来了。

perf_counter

登录后复制

提供的是高分辨率的、单调递增的计数器，它不关心系统时钟的调整，只管从一个点到另一个点流逝了多少“滴答”；而

timeit

登录后复制

则通过多次运行和统计，进一步规避了单次测量的随机误差和外部干扰，力求在“实验室条件”下给出最纯粹的性能数据。

如何使用

timeit

登录后复制

模块对Python函数进行性能基准测试？

timeit

登录后复制

模块是Python标准库中一个非常强大的工具，专门用于对小段代码或函数进行精确的性能基准测试。它的核心思想是：多次重复运行目标代码，然后取平均值或最佳值，以消除单次运行的随机性、垃圾回收、操作系统调度等因素带来的干扰。

使用

timeit

登录后复制

主要有两种方式：通过

timeit.timeit()

登录后复制

函数，或者通过

timeit.Timer

登录后复制

类。

美间AI

美间AI：让设计更简单

查看详情

1. 使用

timeit.timeit()

登录后复制

函数

这是最常用也最简洁的方式，特别适合快速测试一行或几行代码的性能。

import timeit

# 假设我们想测试一个列表推导式的性能
# stmt: 要执行的代码语句（字符串形式）
# setup: 运行stmt之前需要执行的设置代码（字符串形式），比如导入模块或定义函数
# number: stmt要执行的次数
# repeat: 整个测试重复的次数，timeit会返回一个列表，包含每次重复的总时间

# 示例1: 比较字符串拼接的效率
# setup代码用于导入time模块，确保stmt中的time.time()可用
setup_str = "import time"

# 两种字符串拼接方式
stmt_join = "''.join(str(n) for n in range(1000))"
stmt_plus = "s = ''; for n in range(1000): s += str(n)"

# 运行10000次，重复5次
results_join = timeit.timeit(stmt=stmt_join, setup=setup_str, number=10000, repeat=5)
results_plus = timeit.timeit(stmt=stmt_plus, setup=setup_str, number=10000, repeat=5)

print(f"'-'.join() 方式 (最佳): {min(results_join):.6f} 秒 (总计 {10000} 次)")
print(f"'+=' 方式 (最佳): {min(results_plus):.6f} 秒 (总计 {10000} 次)")

# 示例2: 测量一个自定义函数的性能
def my_complex_calculation(n):
    return sum(i*i for i in range(n))

# setup中定义函数，并确保其在timeit执行环境中可见
# globals=globals() 是一个技巧，它将当前全局命名空间传递给timeit，
# 这样my_complex_calculation就可以在stmt中被调用了。
setup_func = "from __main__ import my_complex_calculation" # 或者直接 globals=globals()
time_func = timeit.timeit(stmt="my_complex_calculation(10000)", setup=setup_func, number=1000, repeat=3)
print(f"my_complex_calculation(10000) 最佳执行时间: {min(time_func):.6f} 秒 (总计 {1000} 次)")

登录后复制

timeit.timeit()

登录后复制

会返回一个包含

repeat

登录后复制

次测试结果的列表。通常我们关注的是这个列表中的最小值（

min()

登录后复制

），因为它最能代表代码在“最佳”状态下的性能，排除了由于操作系统调度、垃圾回收或其他后台任务造成的偶然性延迟。

2. 使用

timeit.Timer

登录后复制

类

Timer

登录后复制

类提供了更灵活的控制，特别适合当你需要多次运行同一个测试，或者在测试前进行复杂的设置时。

import timeit

# 假设我们要测试一个排序函数的性能
data_size = 10000
# setup代码用于生成随机数据，确保每次测试的数据是独立的
setup_timer = f"""
import random
data = [random.randint(0, 10000) for _ in range({data_size})]
"""

# stmt是我们要测试的代码，这里我们使用list.sort()
stmt_timer = "data.sort()"

# 创建Timer对象
# Timer(stmt, setup, timer=default_timer, globals=None)
# default_timer 通常是 time.perf_counter()，提供高精度计时
timer_obj = timeit.Timer(stmt=stmt_timer, setup=setup_timer)

# 运行测试
# timeit(number=DEFAULT_NUMBER) 方法执行测试
# repeat(repeat=DEFAULT_REPEAT, number=DEFAULT_NUMBER) 方法返回多次重复的结果
results_timer = timer_obj.repeat(repeat=5, number=100) # 重复5次，每次运行100次stmt

print(f"list.sort() 排序 {data_size} 个元素 (最佳): {min(results_timer):.6f} 秒 (总计 {100} 次)")

登录后复制

timeit

登录后复制

模块的精髓在于它的“隔离性”和“重复性”。

setup

登录后复制

参数确保了每次测试都在一个相对干净、一致的环境下进行，避免了前一次运行对后一次的影响。而

number

登录后复制

和

repeat

登录后复制

参数则通过大量重复运行，让我们可以从统计学上获得更可靠的性能数据，过滤掉那些偶然的“噪音”。当你需要对比不同算法的性能优劣，或者找出代码中真正的性能瓶颈时，

timeit

登录后复制

无疑是你的得力助手。

在Python性能优化过程中，除了时间测量，还有哪些关键考量？

单纯测量代码运行时间只是性能优化的第一步，它告诉你“哪里慢了”，但并没有直接告诉你“为什么慢”以及“如何变快”。要真正做好性能优化，我们需要更全面的视角和更深入的分析。

1. 内存使用效率

时间是重要的，但内存同样关键。一个运行很快但吃掉所有内存的程序显然不是一个好程序。

内存分析器：
```
memory_profiler
```
登录后复制
或
```
objgraph
```
登录后复制
等工具可以帮助你追踪程序运行时的内存使用情况，找出内存泄漏或不必要的内存占用。
数据结构选择： Python内置的数据结构（列表、字典、集合、元组）各有优劣。例如，列表的append操作很快，但在头部插入或删除效率低；字典查找效率高，但有额外内存开销。选择合适的数据结构能显著影响内存和时间性能。
生成器表达式： 当处理大量数据时，使用生成器（generator）而非一次性生成整个列表，可以大大减少内存占用，实现“惰性计算”。

2. CPU剖析（Profiling）

时间测量告诉你总耗时，但CPU剖析能深入到函数层面，告诉你哪个函数、哪行代码占用了最多的CPU时间。

cProfile
登录后复制
和
profile
登录后复制
模块： Python标准库提供了这两个强大的工具。它们可以生成详细的报告，显示每个函数的调用次数、总耗时、以及自身耗时（不包括其调用的子函数）。通过可视化工具（如
```
snakeviz
```
登录后复制
），可以更直观地看到调用图和性能瓶颈。
关注热点： 剖析报告会帮你找到“热点”函数，也就是那些被频繁调用或自身执行时间很长的函数，这往往是优化的重点。

3. I/O操作与网络延迟

很多时候，程序的瓶颈不在于CPU计算，而在于等待外部资源，比如：

文件读写： 大文件的读写速度受限于硬盘性能。
网络请求： API调用、数据库查询等都涉及网络延迟，这是程序自身难以控制的外部因素。
数据库交互： 复杂的SQL查询、不合理的索引都会导致数据库响应缓慢。对于这类问题，优化思路可能包括批量处理、缓存、异步I/O（如
```
asyncio
```
登录后复制
）或并行处理。

4. 算法复杂度

这是性能优化的根本。一个O(N^2)的算法，无论你用多么快的语言或多强的硬件，在数据量N增大时，都无法与一个O(N log N)或O(N)的算法匹敌。

大O表示法： 理解你所用算法的时间和空间复杂度。
选择更优算法： 很多时候，性能瓶颈是由于选择了次优的算法。例如，从线性搜索改为二分搜索，或从冒泡排序改为快速排序。

5. Python的全局解释器锁（GIL）

Python的GIL是一个特殊的存在，它确保在任何给定时刻，只有一个线程在执行Python字节码。这意味着，即使在多核CPU上，纯Python的多线程程序也无法真正并行执行CPU密集型任务。

CPU密集型任务： 对于这类任务，多进程（
```
multiprocessing
```
登录后复制
模块）是更好的选择，因为每个进程都有自己的Python解释器和GIL。
I/O密集型任务： GIL对I/O操作影响较小，因为在等待I/O时，GIL会被释放，其他线程可以运行。因此，多线程在I/O密集型任务中仍能发挥作用。
C扩展： 如果对性能有极致要求，可以将核心的CPU密集型部分用C/C++编写成Python扩展模块，它们可以绕过GIL。

6. 代码可读性与性能的权衡

最后但同样重要的一点是，不要为了微小的性能提升而牺牲代码的可读性、可维护性。过早优化（Premature Optimization）是编程中的一大陷阱。通常，我们应该先写出清晰、正确的代码，然后通过测量找出真正的瓶颈，再针对性地进行优化。有时候，一个简单的重构或更清晰的逻辑，反而能带来意想不到的性能提升。

总之，性能优化是一个系统工程，需要结合多种工具和方法，从不同维度审视代码，才能找到最有效、最可持续的解决方案。

以上就是python如何计算程序的运行时间_python计算代码执行时间的方法的详细内容，更多请关注php中文网其它相关文章！