我想得到的时间花在单元格执行除了原始的输出从单元格。
为此，我尝试了%%timeit -r1 -n1，但它没有公开在cell中定义的变量。
%%time适用于只包含1条语句的cell。
In[1]: %%time
1
CPU times: user 4 µs, sys: 0 ns, total: 4 µs
Wall time: 5.96 µs
Out[1]: 1
In[2]: %%time
# Notice there is no out result in this case.
x = 1
x
CPU times: user 3 µs, sys: 0 ns, total: 3 µs
Wall time: 5.96 µs
最好的方法是什么?
更新
我已经在nbeextension中使用执行时间相当长一段时间了。这是伟大的。
更新2021 - 03
到目前为止，这是正确的答案。从本质上讲，%%time和%%timeit现在都像预期的那样工作。
当前回答
当使用print(res)时，有时单元格中的格式是不同的，但jupyter/ipython带有显示。请参阅下面使用pandas的格式差异示例。
%%time
import pandas as pd
from IPython.display import display
df = pd.DataFrame({"col0":{"a":0,"b":0}
,"col1":{"a":1,"b":1}
,"col2":{"a":2,"b":2}
})
#compare the following
print(df)
display(df)
display语句可以保留格式。
其他回答
在ipython notebook中测量单元格执行时间的最简单方法是使用ipython-autotime包。
安装包在笔记本的开始
pip install ipython-autotime
然后通过下面运行加载扩展
%load_ext autotime
一旦加载了它，在此之后运行的任何单元格都将给出该单元格的执行时间。
不要担心，如果你想关闭它，只需卸载扩展运行下面
%unload_ext autotime
这是相当简单和容易使用它，只要你想。
如果你想了解更多，可以参考ipython-autime文档或其github源代码
我只是在单元格的开头添加了%%time，就得到了时间。您可以在Jupyter Spark集群/虚拟环境中使用相同的方法。只需在单元格顶部添加%%time，就会得到输出。在使用Jupyter的星火集群上，我添加到单元格的顶部，我得到如下输出
[1] %%time
import pandas as pd
from pyspark.ml import Pipeline
from pyspark.ml.classification import LogisticRegression
import numpy as np
.... code ....
Output :-
CPU times: user 59.8 s, sys: 4.97 s, total: 1min 4s
Wall time: 1min 18s
如果你想打印壁单元格的执行时间，这里有一个技巧， 使用
%%time
<--code goes here-->
但这里要确保，%%time是一个神奇的函数， 所以把它放在代码的第一行。
如果你把它放在代码的某行之后它就会给你 使用错误，不能工作。
这只是旧版本的一个问题。
您现在需要做的就是在单元格的顶部放置%%time。
%%time表示运行某项操作所花费的时间。它更适合报告长时间运行的操作，而不是进行低级优化。
%%timeit是一个基准测试工具，它可以反复运行语句，以给出某些语句的平均运行时间以及标准偏差。由于语句重复执行的方式，在%%timeit单元格中创建的变量在其他单元格中不可用。
%%timeit使用python timeit模块。医生说，
它避免了 用于测量执行时间的常见陷阱的数量。另见蒂姆·彼得斯 Python Cookbook中“算法”章节的介绍，由 O ' reilly。
我希望该模块仍然是相关的，因为它所引用的参考描述了诸如(1)Windows 98只更新time.time() 18.2次每秒的解决方案，以及(2)将所有语句阻塞到一行上，以避免增加行号计数器的字节码开销。
目前排名最高的答案，以及其他一些过时的答案——应该删除，因为它们现在非常具有误导性——确实有有用的评论，表明这些答案是不正确的:
即使没有打印最后一个语句，%%time也可以工作 现在将测试单元格中的变量考虑到下一个单元格中
我发现克服这个问题的唯一方法是用print执行最后一条语句。
不要忘记单元格魔术以%%开始，行魔术以%开始。
%%time
clf = tree.DecisionTreeRegressor().fit(X_train, y_train)
res = clf.predict(X_test)
print(res)
注意，在单元格内执行的任何更改都不会在下一个单元格中被考虑，当有管道时，这是违反直觉的:
