我想测量执行一个函数所花费的时间。我没时间工作：
import timeit
start = timeit.timeit()
print("hello")
end = timeit.timeit()
print(end - start)
当前回答
这是另一种方法：
>> from pytictoc import TicToc
>> t = TicToc() # create TicToc instance
>> t.tic() # Start timer
>> # do something
>> t.toc() # Print elapsed time
Elapsed time is 2.612231 seconds.
与传统方式相比：
>> from time import time
>> t1 = time()
>> # do something
>> t2 = time()
>> elapsed = t2 - t1
>> print('Elapsed time is %f seconds.' % elapsed)
Elapsed time is 2.612231 seconds.
安装：
pip install pytictoc
有关详细信息，请参阅PyPi页面。
其他回答
在python3上：
from time import sleep, perf_counter as pc
t0 = pc()
sleep(1)
print(pc()-t0)
优雅而短小。
（仅使用Ipython）您可以使用%timeit来测量平均处理时间：
def foo():
print "hello"
然后：
%timeit foo()
结果如下：
10000 loops, best of 3: 27 µs per loop
我参加聚会已经很晚了，但这种方法以前没有涉及过。当我们想要手动对某段代码进行基准测试时，我们可能需要首先找出哪些类方法占用了执行时间，这有时并不明显。我构建了以下元类来解决这个问题：
from __future__ import annotations
from functools import wraps
from time import time
from typing import Any, Callable, TypeVar, cast
F = TypeVar('F', bound=Callable[..., Any])
def timed_method(func: F, prefix: str | None = None) -> F:
prefix = (prefix + ' ') if prefix else ''
@wraps(func)
def inner(*args, **kwargs): # type: ignore
start = time()
try:
ret = func(*args, **kwargs)
except BaseException:
print(f'[ERROR] {prefix}{func.__qualname__}: {time() - start}')
raise
print(f'{prefix}{func.__qualname__}: {time() - start}')
return ret
return cast(F, inner)
class TimedClass(type):
def __new__(
cls: type[TimedClass],
name: str,
bases: tuple[type[type], ...],
attrs: dict[str, Any],
**kwargs: Any,
) -> TimedClass:
for name, attr in attrs.items():
if isinstance(attr, (classmethod, staticmethod)):
attrs[name] = type(attr)(timed_method(attr.__func__))
elif isinstance(attr, property):
attrs[name] = property(
timed_method(attr.fget, 'get') if attr.fget is not None else None,
timed_method(attr.fset, 'set') if attr.fset is not None else None,
timed_method(attr.fdel, 'del') if attr.fdel is not None else None,
)
elif callable(attr):
attrs[name] = timed_method(attr)
return super().__new__(cls, name, bases, attrs)
它允许如下使用：
class MyClass(metaclass=TimedClass):
def foo(self):
print('foo')
@classmethod
def bar(cls):
print('bar')
@staticmethod
def baz():
print('baz')
@property
def prop(self):
print('prop')
@prop.setter
def prop(self, v):
print('fset')
@prop.deleter
def prop(self):
print('fdel')
c = MyClass()
c.foo()
c.bar()
c.baz()
c.prop
c.prop = 2
del c.prop
MyClass.bar()
MyClass.baz()
它打印：
foo
MyClass.foo: 1.621246337890625e-05
bar
MyClass.bar: 4.5299530029296875e-06
baz
MyClass.baz: 4.291534423828125e-06
prop
get MyClass.prop: 3.814697265625e-06
fset
set MyClass.prop: 3.5762786865234375e-06
fdel
del MyClass.prop: 3.5762786865234375e-06
bar
MyClass.bar: 3.814697265625e-06
baz
MyClass.baz: 4.0531158447265625e-06
它可以与其他答案相结合，以更精确的方式代替time.time。
我喜欢简单（python 3）：
from timeit import timeit
timeit(lambda: print("hello"))
单个执行的输出为微秒：
2.430883963010274
说明：timeit默认执行匿名函数100万次，结果以秒为单位。因此，1次执行的结果相同，但平均以微秒为单位。
对于速度较慢的操作，添加较少的迭代次数，否则您可能会一直等待：
import time
timeit(lambda: time.sleep(1.5), number=1)
总迭代次数的输出始终以秒为单位：
1.5015795179999714
测量小代码片段的执行时间。
时间单位：以秒为单位，以浮点数表示
import timeit
t = timeit.Timer('li = list(map(lambda x:x*2,[1,2,3,4,5]))')
t.timeit()
t.repeat()
>[1.2934070999999676, 1.3335035000000062, 1.422568500000125]
repeat（）方法可以方便地多次调用timeit（）并返回结果列表。重复（重复=3）¶有了这个列表，我们可以计算所有时间的平均值。默认情况下，timeit（）在计时期间暂时关闭垃圾收集。time.Timer（）解决了这个问题。赞成的意见：timeit.Timer（）使独立计时更具可比性。gc可能是被测函数性能的重要组成部分。如果是，gc（垃圾收集器）可以作为设置字符串中的第一条语句重新启用。例如：timeit.Timer（'li=列表（映射（lambda x:x*2，[1，2，3，4，5]）'，设置='gc.enable（）'）
源Python文档！
