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
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
其他回答
%time和%timeit现在成为ipython内置魔法命令的一部分
使用细胞魔法和这个项目在github由菲利普云:
通过将它放在你笔记本的顶部来加载它，或者将它放在你的配置文件中，如果你总是默认加载它:
%install_ext https://raw.github.com/cpcloud/ipython-autotime/master/autotime.py
%load_ext autotime
如果加载，后续单元格执行的每个输出都将包括执行它所花费的时间(以分钟和秒为单位)。
import time
start = time.time()
"the code you want to test stays here"
end = time.time()
print(end - start)
你可能还想查看python的剖析魔法命令% prunit给出类似-的东西
def sum_of_lists(N):
total = 0
for i in range(5):
L = [j ^ (j >> i) for j in range(N)]
total += sum(L)
return total
然后
%prun sum_of_lists(1000000)
将返回
14 function calls in 0.714 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
5 0.599 0.120 0.599 0.120 <ipython-input-19>:4(<listcomp>)
5 0.064 0.013 0.064 0.013 {built-in method sum}
1 0.036 0.036 0.699 0.699 <ipython-input-19>:1(sum_of_lists)
1 0.014 0.014 0.714 0.714 <string>:1(<module>)
1 0.000 0.000 0.714 0.714 {built-in method exec}
我发现它在处理大块代码时很有用。
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
