我刚刚从pypref_time中开发了自己的分析器：

https://github.com/modaresimr/auto_profiler

更新版本2

安装：

pip install auto_profiler

快速入门：

from auto_profiler import Profiler

with Profiler():
    your_function()

在Jupyter中使用，可以实时查看已用时间

更新版本1

通过添加装饰器，它将显示一个耗时的函数树

@探查器（深度=4）

Install by: pip install auto_profiler

实例

import time # line number 1
import random

from auto_profiler import Profiler, Tree

def f1():
    mysleep(.6+random.random())

def mysleep(t):
    time.sleep(t)

def fact(i):
    f1()
    if(i==1):
        return 1
    return i*fact(i-1)

def main():
    for i in range(5):
        f1()

    fact(3)


with Profiler(depth=4):
    main()

示例输出

Time   [Hits * PerHit] Function name [Called from] [function location]
-----------------------------------------------------------------------
8.974s [1 * 8.974]  main  [auto-profiler/profiler.py:267]  [/test/t2.py:30]
├── 5.954s [5 * 1.191]  f1  [/test/t2.py:34]  [/test/t2.py:14]
│   └── 5.954s [5 * 1.191]  mysleep  [/test/t2.py:15]  [/test/t2.py:17]
│       └── 5.954s [5 * 1.191]  <time.sleep>
|
|
|   # The rest is for the example recursive function call fact
└── 3.020s [1 * 3.020]  fact  [/test/t2.py:36]  [/test/t2.py:20]
    ├── 0.849s [1 * 0.849]  f1  [/test/t2.py:21]  [/test/t2.py:14]
    │   └── 0.849s [1 * 0.849]  mysleep  [/test/t2.py:15]  [/test/t2.py:17]
    │       └── 0.849s [1 * 0.849]  <time.sleep>
    └── 2.171s [1 * 2.171]  fact  [/test/t2.py:24]  [/test/t2.py:20]
        ├── 1.552s [1 * 1.552]  f1  [/test/t2.py:21]  [/test/t2.py:14]
        │   └── 1.552s [1 * 1.552]  mysleep  [/test/t2.py:15]  [/test/t2.py:17]
        └── 0.619s [1 * 0.619]  fact  [/test/t2.py:24]  [/test/t2.py:20]
            └── 0.619s [1 * 0.619]  f1  [/test/t2.py:21]  [/test/t2.py:14]

pprofile文件

line_profiler（此处已介绍）也启发了pprofile，其描述如下：

行粒度、线程感知确定性和统计纯python剖面仪

它提供了line_profiler的行粒度，是纯Python，可以用作独立命令或模块，甚至可以生成callgrind格式的文件，这些文件可以很容易地使用[k|q]cachegrind进行分析。

vprof公司

还有vprof，一个Python包，描述如下：

[…]为各种Python程序特性（如运行时间和内存使用）提供丰富的交互式可视化。

根据乔·肖（Joe Shaw）关于多线程代码无法按预期工作的回答，我认为cProfile中的runcall方法只是围绕着已配置的函数调用执行self.enable（）和self.disable（）调用，因此您可以简单地自己执行，并在对现有代码的干扰最小的情况下使用任何代码。

值得指出的是，使用探查器仅在主线程上有效（默认情况下），如果使用它们，您将无法从其他线程获得任何信息。这可能有点棘手，因为探查器文档中完全没有提到它。

如果您还想评测线程，那么您需要查看文档中的threading.setprofile（）函数。

您也可以创建自己的线程.Thread子类：

class ProfiledThread(threading.Thread):
    # Overrides threading.Thread.run()
    def run(self):
        profiler = cProfile.Profile()
        try:
            return profiler.runcall(threading.Thread.run, self)
        finally:
            profiler.dump_stats('myprofile-%d.profile' % (self.ident,))

并使用ProfiledThread类而不是标准类。它可能会给你更多的灵活性，但我不确定它是否值得，特别是如果你使用的是不使用你的类的第三方代码。

我发现cprofiler和其他资源更多地用于优化目的，而不是调试。

我制作了自己的测试模块，用于简单的python脚本速度测试。（在我的例子中，使用ScriptProfilerPy测试了1K+行py文件，并在几分钟内将代码速度提高了10倍。

模块ScriptProfilerPy（）将运行代码，并向其添加时间戳。我把模块放在这里：https://github.com/Lucas-BLP/ScriptProfilerPy

Use:

from speed_testpy import ScriptProfilerPy

ScriptProfilerPy("path_to_your_script_to_test.py").Profiler()

输出：

还值得一提的是GUI cProfile转储查看器RunSnakeRun。它允许您排序和选择，从而放大程序的相关部分。图片中矩形的大小与所用时间成正比。如果您将鼠标悬停在一个矩形上，它将突出显示表中的调用以及地图上的任何位置。双击矩形时，它会放大该部分。它将显示谁调用了该部分以及该部分调用了什么。

描述性信息非常有用。它向您显示了该位的代码，当您处理内置库调用时，该代码会很有用。它告诉要查找代码的文件和行。

还想指出，OP说的是“剖析”，但似乎他是指“时机”。请记住，程序在评测时运行速度会变慢。