想知道你的Python代码跑得有多慢？或者想对比一下两种算法哪个更快？这都离不开Python计时。别担心，这事儿其实不难，方法还挺多。

最简单粗暴的，莫过于time模块了。time.time()这玩意儿，能直接返回当前的时间戳，精确到秒。在代码前后分别记录一下，相减，就得到了代码运行的时长。

“`python
import time

start_time = time.time()

这里放你的代码，比如：

for i in range(100000):
pass # 空循环，模拟耗时操作

end_time = time.time()

elapsed_time = end_time – start_time
print(f”代码运行时间：{elapsed_time:.4f} 秒”)
“`

是不是很简单？但time.time()有个缺点，它的精度可能不够高，尤其是在测量非常短的代码片段时，误差会比较大。而且，它返回的是墙上时间，也就是实际流逝的时间，会受到系统时间的影响，比如你电脑上的其他程序占用了CPU，或者系统时间突然被调整了，都会影响计时的结果。这，可是个大问题！如果你的benchmark至关重要，那么要小心使用！

想要更精确的计时？time.perf_counter()了解一下。它返回的是一个性能计数器的值，专门用来测量代码片段的运行时间。它不受系统时间的影响，精度也更高，能达到纳秒级别。

“`python
import time

start_time = time.perf_counter()

这里放你的代码

result = sum(i for i in range(1000000))

end_time = time.perf_counter()

elapsed_time = end_time – start_time
print(f”代码运行时间：{elapsed_time:.4f} 秒”)
“`

注意到了吗？从time.time()换成了time.perf_counter()，感觉是不是专业多了？但其实，它们的使用方法是类似的。 只是背后的机制不一样。选择合适的计时器，对你的程序而言至关重要！

还有个time.process_time()，它测量的是进程的CPU时间，也就是代码实际占用CPU的时间。这个时间不包括等待IO的时间，比如等待用户输入、等待网络请求等。如果你想知道代码的CPU效率，用它就对了。

“`python
import time

start_time = time.process_time()

这里放你的代码

time.sleep(2) # 模拟IO等待

end_time = time.process_time()

elapsed_time = end_time – start_time
print(f”代码CPU运行时间：{elapsed_time:.4f} 秒”)
“`

这里，我故意加了个time.sleep(2)，模拟IO等待。你会发现，即使程序运行了2秒多，但CPU时间可能只有几毫秒，因为大部分时间都在等待IO。所以，理解这三种计时器的区别，才能选对工具。否则，你会得到错误的结论！

除了time模块，Python还有一个更高级的计时工具：timeit模块。它能自动多次运行你的代码，然后计算平均运行时间，这样可以消除一些随机误差，让计时结果更准确。

“`python
import timeit

定义要计时的代码片段

my_code = “””
result = sum(i for i in range(1000000))
“””

使用timeit.timeit()函数进行计时

elapsed_time = timeit.timeit(stmt=my_code, number=10) #运行10次

print(f”代码运行时间：{elapsed_time:.4f} 秒”)
“`

timeit.timeit()函数接受两个主要参数：stmt是要计时的代码片段，number是运行的次数。timeit会自动处理一些细节，比如禁用垃圾回收，确保计时的准确性。而且它能处理字符串形式的代码片段，非常灵活。想想看，是不是比手动计时方便多了？

如果你想更方便地使用timeit，还可以用命令行模式。在终端输入python -m timeit "你的代码"，就能直接运行计时。

比如：

bash
python -m timeit "sum(i for i in range(1000))"

这对于快速测试一些简单的代码片段非常有用。不过别忘了把代码用引号括起来！

说完了基本用法，我们再来聊点高级的。 比如，如何测量函数的运行时间？很简单，把函数调用放到timeit的stmt参数里就行了。

“`python
import timeit

def my_function(n):
return sum(i for i in range(n))

使用timeit.timeit()函数进行计时

elapsed_time = timeit.timeit(stmt=”my_function(1000000)”, setup=”from main import my_function”, number=10)

print(f”函数运行时间：{elapsed_time:.4f} 秒”)
“`

这里，setup参数用来导入函数。因为timeit是在一个独立的环境中运行代码的，所以需要显式地导入函数。

再说说上下文管理器。Python的contextlib模块提供了一个contextmanager装饰器，可以让你很方便地创建一个上下文管理器，用来测量代码块的运行时间。

“`python
import time
import contextlib

@contextlib.contextmanager
def timer(name):
start_time = time.perf_counter()
yield
end_time = time.perf_counter()
elapsed_time = end_time – start_time
print(f”{name} 运行时间：{elapsed_time:.4f} 秒”)

with timer(“My Code”):
# 这里放你的代码
result = sum(i for i in range(1000000))
“`

这个timer函数就是一个上下文管理器，你可以用with语句来使用它。当进入with代码块时，timer会记录开始时间；当退出with代码块时，timer会计算运行时间并打印出来。这种方式更加优雅，而且可以嵌套使用，方便测量多个代码块的运行时间。

总结一下，Python提供了多种计时方法，从简单的time.time()到精确的time.perf_counter()，再到方便的timeit模块和上下文管理器，你可以根据自己的需求选择合适的工具。 掌握这些技巧，能帮助你更好地了解代码的性能，从而进行优化，提升程序的效率。 计时，不仅仅是了解代码运行时间，更是优化代码的基础。 选择适合的计时方式，才能得到准确的结果，从而进行有效的优化。 别再让你的代码跑得慢吞吞的了！