Python 怎么计时？别再迷茫，超实用Python代码计时技巧全攻略，精准掌控代码运行时间！

话说，写 Python 代码，谁还没遇到过“这玩意儿跑得咋这么慢？”的情况？这时候，计时就显得尤为重要了。知道瓶颈在哪儿，才能对症下药，不是吗？别担心，今天我就来分享几个我常用的 Python 计时方法，简单粗暴，保证你一看就懂，上手就能用！

首先，最经典，也最常用的，肯定要数 time 模块了。

time.time() 这玩意儿，简单到不能再简单。它返回的是当前时间的时间戳（timestamp），也就是从1970年1月1日午夜开始到现在经过的秒数。所以，要计时，只需要在代码块前后分别调用一下 time.time()，然后相减，就得到代码块的运行时间了，单位是秒。

“`python
import time

start_time = time.time()

这里放你要计时的代码

for i in range(100000):
pass

end_time = time.time()

running_time = end_time – start_time
print(f”代码运行时间：{running_time} 秒”)
“`

看到了吧？三行代码搞定计时！但是，这种方法有个缺点，就是精度不够高，只能精确到秒级别。如果你需要更精确的计时，比如毫秒级别，甚至微秒级别，那就要祭出 time.perf_counter() 或者 time.monotonic() 这两个神器了。

time.perf_counter() 的设计初衷就是为了测量短时间内的性能。它返回的是一个高精度的时间值，但是这个值的起点是未定义的，所以只能用来测量时间间隔，不能用来获取当前时间。记住，千万别拿它来当 time.time() 用！

“`python
import time

start_time = time.perf_counter()

这里放你要计时的代码

result = sum(i for i in range(1000001))

end_time = time.perf_counter()

running_time = end_time – start_time
print(f”代码运行时间：{running_time} 秒”)
“`

而 time.monotonic() 则保证返回的时间是单调递增的，不会因为系统时间调整而受到影响。这在需要保证时间一致性的场景下非常有用。用法和 time.perf_counter() 几乎一样，区别在于适用场景不同。

有时候，我们只想对某行代码进行简单的计时，不想写那么多代码，这时候怎么办呢？别忘了 Python 强大的装饰器！我们可以自定义一个计时装饰器，用起来超级方便。

“`python
import time
import functools

def timer(func):
“””计算函数运行时间的装饰器”””
@functools.wraps(func)
def wrapper(args, kwargs):
start_time = time.perf_counter()
result = func(args, **kwargs)
end_time = time.perf_counter()
running_time = end_time – start_time
print(f”函数 {func.name} 运行时间：{running_time} 秒”)
return result
return wrapper

@timer
def my_function(n):
“””一个简单的函数，计算前n个整数的和”””
return sum(i for i in range(n + 1))

result = my_function(1000000)
print(f”结果：{result}”)
“`

看到了没？只需要在函数上面加上 @timer，就可以自动计时了！这酸爽，谁用谁知道！

当然，如果你需要更高级的计时功能，比如统计函数被调用了多少次，每次调用的平均运行时间等等，那么 timeit 模块就是你的不二之选了。

timeit 模块专门用于测量小段 Python 代码的执行时间。它会多次运行你的代码，然后取平均值，从而减少偶然因素的干扰，使结果更加准确。

“`python
import timeit

要计时的代码字符串

code_to_test = “””
result = sum(i for i in range(1000001))
“””

创建 Timer 对象，指定要执行的代码和setup代码

timer = timeit.Timer(code_to_test, setup=”pass”) #setup可以放一些初始化代码

运行代码多次，并返回总时间

number = 10 # 执行10次
total_time = timer.timeit(number=number)

print(f”代码运行 {number} 次的总时间：{total_time} 秒”)
print(f”每次运行的平均时间：{total_time / number} 秒”)
“`

timeit 的用法稍微复杂一些，需要先创建一个 Timer 对象，然后调用 timeit() 方法。timeit() 方法会多次运行你的代码，然后返回总时间。你还可以通过 number 参数指定代码运行的次数。

还有一个值得一提的工具是 cProfile，这是一个 Python 自带的性能分析器。它可以帮你找出代码中的瓶颈，告诉你哪些函数调用最多，哪些函数运行时间最长。虽然它主要用于性能分析，但同时也提供了非常详细的计时信息。我更倾向于用它分析整个程序的性能瓶颈。

用起来也很简单：

“`python
import cProfile
import pstats

def my_function():
result = sum(i for i in range(1000001))
return result

使用 cProfile 分析代码

cProfile.run(‘my_function()’, ‘profile_output’)

使用 pstats 模块读取分析结果

p = pstats.Stats(‘profile_output’)

按照运行时间排序，并打印结果

p.sort_stats(‘cumulative’).print_stats(10) # 打印最耗时的10个函数
“`

运行这段代码后，会生成一个 profile_output 文件，里面包含了程序的性能分析数据。然后，我们可以使用 pstats 模块来读取这些数据，并按照各种指标进行排序和显示。

总而言之，Python 计时的方法有很多种，选择哪种取决于你的具体需求。如果只是简单地测量代码块的运行时间，time.time() 或者 time.perf_counter() 就足够了。如果需要更精确的计时，或者需要统计函数被调用的次数和平均运行时间，那么 timeit 模块是更好的选择。而 cProfile 则可以帮你找出代码中的瓶颈，进行更深入的性能分析。希望这些技巧能帮你更好地掌握 Python 代码的运行时间，提升你的编程效率！相信我，掌握了计时技巧，你的 Python 代码一定会跑得更快！

最后，想说的是，代码优化是一个循序渐进的过程，不要指望一步到位。先通过计时找出瓶颈，然后逐步优化，不断迭代，最终才能写出高效的代码。加油！