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
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！
其他回答
您可以使用Benchmark Timer（免责声明：我是作者）：
基准计时器使用BenchmarkTimer类来测量执行某段代码所需的时间。这比内置的timeit函数具有更大的灵活性，并且与其他代码在相同的范围内运行。安装pip安装git+https://github.com/michaelitvin/benchmark-timer.git@main#egg=基准计时器用法单次迭代示例从benchmark_timer导入BenchmarkTimer导入时间使用BenchmarkTimer（name=“MySimpleCode”）作为tm，tm.single_ieration（）：睡眠时间（.3）输出：正在对标MySimpleCode。。。MySimpleCode基准：n_iters=1 avg=0.300881s std=0.000000s range=[0.3000881s ~ 0.300881s]多次迭代示例从benchmark_timer导入BenchmarkTimer导入时间使用BenchmarkTimer（name=“MyTimedCode”，print_iters=True）作为tm：对于tm迭代中的timing_iteration（n=5，预热=2）：定时重复：睡眠时间（.1）打印（“\n===============\n”）print（“定时列表：”，列表（tm.timenings.values（）））输出：正在对标MyTimedCode。。。[MyTimedCode]iter=0耗时0.099755s（预热）[MyTimedCode]iter=1耗时0.100476秒（预热）[MyTimedCode]iter=2耗时0.100189秒[MyTimedCode]iter=3耗时0.099900s[MyTimedCode]iter=4耗时0.100888秒MyTimedCode基准：n_iters=3 avg=0.100326s std=0.000414s range=[0.099900s ~ 0.100888s]===================时间列表：[0.1001885000000001，0.09990049999999995，0.10088760000000008]
（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
我更喜欢这个。timeit医生太令人困惑了。
from datetime import datetime
start_time = datetime.now()
# INSERT YOUR CODE
time_elapsed = datetime.now() - start_time
print('Time elapsed (hh:mm:ss.ms) {}'.format(time_elapsed))
注意，这里没有进行任何格式化，我只是在打印输出中写入hh:mm:ss，以便可以解释time_elapsed
在python3上：
from time import sleep, perf_counter as pc
t0 = pc()
sleep(1)
print(pc()-t0)
优雅而短小。
要深入了解递归调用的每个函数，请执行以下操作：
%load_ext snakeviz
%%snakeviz
它只需要在Jupyter笔记本中使用这两行代码，就可以生成一个很好的交互图。例如：
这是代码。同样，以%开头的2行是使用snakeviz所需的唯一额外代码行：
# !pip install snakeviz
%load_ext snakeviz
import glob
import hashlib
%%snakeviz
files = glob.glob('*.txt')
def print_files_hashed(files):
for file in files:
with open(file) as f:
print(hashlib.md5(f.read().encode('utf-8')).hexdigest())
print_files_hashed(files)
在笔记本外运行snakeviz似乎也是可能的。更多信息请访问snakeviz网站。
