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]

我们还可以将时间转换为人类可读的时间。

import time, datetime

start = time.clock()

def num_multi1(max):
    result = 0
    for num in range(0, 1000):
        if (num % 3 == 0 or num % 5 == 0):
            result += num

    print "Sum is %d " % result

num_multi1(1000)

end = time.clock()
value = end - start
timestamp = datetime.datetime.fromtimestamp(value)
print timestamp.strftime('%Y-%m-%d %H:%M:%S')

使用time.time（）测量两点之间经过的墙上时钟时间：

import time

start = time.time()
print("hello")
end = time.time()
print(end - start)

这给出了以秒为单位的执行时间。

Python 3.3之后的另一个选项可能是使用perf_counter或process_time，具体取决于您的需求。在3.3之前，建议使用time.clock（感谢Amber）。但是，它目前已被弃用：

在Unix上，将当前处理器时间作为浮点数返回以秒表示。准确度，事实上就是定义“处理器时间”的含义取决于C函数的含义具有相同名称。在Windows上，此函数返回自该函数的第一次调用，作为浮点数，基于Win32函数QueryPerformanceCounter（）。分辨率通常为优于一微秒。自3.3版起已弃用：此函数的行为取决于在平台上：改用perf_counter（）或process_time（），根据您的要求，要有明确的行为。

这里有一个很好的文档记录和完全类型提示的装饰器，我将其用作通用工具：

from functools import wraps
from time import perf_counter
from typing import Any, Callable, Optional, TypeVar, cast

F = TypeVar("F", bound=Callable[..., Any])


def timer(prefix: Optional[str] = None, precision: int = 6) -> Callable[[F], F]:
    """Use as a decorator to time the execution of any function.

    Args:
        prefix: String to print before the time taken.
            Default is the name of the function.
        precision: How many decimals to include in the seconds value.

    Examples:
        >>> @timer()
        ... def foo(x):
        ...     return x
        >>> foo(123)
        foo: 0.000...s
        123
        >>> @timer("Time taken: ", 2)
        ... def foo(x):
        ...     return x
        >>> foo(123)
        Time taken: 0.00s
        123

    """
    def decorator(func: F) -> F:
        @wraps(func)
        def wrapper(*args: Any, **kwargs: Any) -> Any:
            nonlocal prefix
            prefix = prefix if prefix is not None else f"{func.__name__}: "
            start = perf_counter()
            result = func(*args, **kwargs)
            end = perf_counter()
            print(f"{prefix}{end - start:.{precision}f}s")
            return result
        return cast(F, wrapper)
    return decorator

示例用法：

from timer import timer


@timer(precision=9)
def takes_long(x: int) -> bool:
    return x in (i for i in range(x + 1))


result = takes_long(10**8)
print(result)

输出：耗时：4.942629056秒真的

可以通过以下方式检查doctest：

$ python3 -m doctest --verbose -o=ELLIPSIS timer.py

类型提示：

$ mypy timer.py

python cProfile和pstats模块为测量某些函数的时间提供了强大的支持，而无需在现有函数周围添加任何代码。

例如，如果您有python脚本timeFunctions.py：

import time

def hello():
    print "Hello :)"
    time.sleep(0.1)

def thankyou():
    print "Thank you!"
    time.sleep(0.05)

for idx in range(10):
    hello()

for idx in range(100):
    thankyou()

要运行探查器并生成文件的统计信息，只需运行：

python -m cProfile -o timeStats.profile timeFunctions.py

这是在使用cProfile模块来评测timeFunctions.py中的所有函数，并在timeStats.profile文件中收集统计信息。注意，我们不必向现有模块（timeFunctions.py）添加任何代码，这可以通过任何模块来完成。

一旦有了stats文件，就可以按如下方式运行pstats模块：

python -m pstats timeStats.profile

这将运行交互式统计浏览器，它为您提供了许多不错的功能。对于您的特定用例，您可以只检查函数的统计信息。在我们的示例中，检查两个函数的统计信息显示如下：

Welcome to the profile statistics browser.
timeStats.profile% stats hello
<timestamp>    timeStats.profile

         224 function calls in 6.014 seconds

   Random listing order was used
   List reduced from 6 to 1 due to restriction <'hello'>

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
       10    0.000    0.000    1.001    0.100 timeFunctions.py:3(hello)

timeStats.profile% stats thankyou
<timestamp>    timeStats.profile

         224 function calls in 6.014 seconds

   Random listing order was used
   List reduced from 6 to 1 due to restriction <'thankyou'>

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
      100    0.002    0.000    5.012    0.050 timeFunctions.py:7(thankyou)

这个假例子做不了什么，但给了你一个可以做什么的想法。这种方法最好的一点是，我不必编辑任何现有代码来获取这些数字，并且显然有助于分析。

使用探查器模块。它提供了非常详细的概况。

import profile
profile.run('main()')

它输出类似于：

          5 function calls in 0.047 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.000    0.000    0.000    0.000 :0(exec)
        1    0.047    0.047    0.047    0.047 :0(setprofile)
        1    0.000    0.000    0.000    0.000 <string>:1(<module>)
        0    0.000             0.000          profile:0(profiler)
        1    0.000    0.000    0.047    0.047 profile:0(main())
        1    0.000    0.000    0.000    0.000 two_sum.py:2(twoSum)

我发现它很有启发性。