Project Euler和其他编码竞赛通常有最长的运行时间，或者人们吹嘘他们的特定解决方案运行速度有多快。对于Python，有时方法有些笨拙——即向__main__添加计时代码。
描述Python程序运行时间的好方法是什么？
当前回答
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。
其他回答
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。
在研究这个主题时，我遇到了一个叫做SnakeViz的便捷工具。SnakeViz是一个基于web的评测可视化工具。它非常容易安装和使用。我通常使用的方法是用%prun生成一个stat文件，然后在SnakeViz中进行分析。
所使用的主要viz技术是下图所示的Sunburst图表，其中函数调用的层次结构被安排为弧和时间信息的层，以其角度宽度编码。
最好的是你可以与图表互动。例如，要放大，可以单击一个弧，弧及其后代将被放大为新的阳光，以显示更多细节。
如果你想做一个累积分析器，意思是连续运行函数几次并观察结果的总和。
您可以使用此cumulative_profiler装饰器：
它是python>=3.6特定的，但您可以删除非本地的，因为它可以在旧版本上工作。
import cProfile, pstats
class _ProfileFunc:
def __init__(self, func, sort_stats_by):
self.func = func
self.profile_runs = []
self.sort_stats_by = sort_stats_by
def __call__(self, *args, **kwargs):
pr = cProfile.Profile()
pr.enable() # this is the profiling section
retval = self.func(*args, **kwargs)
pr.disable()
self.profile_runs.append(pr)
ps = pstats.Stats(*self.profile_runs).sort_stats(self.sort_stats_by)
return retval, ps
def cumulative_profiler(amount_of_times, sort_stats_by='time'):
def real_decorator(function):
def wrapper(*args, **kwargs):
nonlocal function, amount_of_times, sort_stats_by # for python 2.x remove this row
profiled_func = _ProfileFunc(function, sort_stats_by)
for i in range(amount_of_times):
retval, ps = profiled_func(*args, **kwargs)
ps.print_stats()
return retval # returns the results of the function
return wrapper
if callable(amount_of_times): # incase you don't want to specify the amount of times
func = amount_of_times # amount_of_times is the function in here
amount_of_times = 5 # the default amount
return real_decorator(func)
return real_decorator
实例
剖析函数baz
import time
@cumulative_profiler
def baz():
time.sleep(1)
time.sleep(2)
return 1
baz()
baz跑了5次并打印了以下内容：
20 function calls in 15.003 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
10 15.003 1.500 15.003 1.500 {built-in method time.sleep}
5 0.000 0.000 15.003 3.001 <ipython-input-9-c89afe010372>:3(baz)
5 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
指定次数
@cumulative_profiler(3)
def baz():
...
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。
@Maxy对这个答案的评论对我帮助很大，我认为它应该得到自己的答案：我已经有了cProfile生成的.pstats文件，我不想用pycallgraph重新运行这些文件，所以我使用了gprof2dot，得到了很好的svgs：
$ sudo apt-get install graphviz
$ git clone https://github.com/jrfonseca/gprof2dot
$ ln -s "$PWD"/gprof2dot/gprof2dot.py ~/bin
$ cd $PROJECT_DIR
$ gprof2dot.py -f pstats profile.pstats | dot -Tsvg -o callgraph.svg
还有BLAM！
它使用点（与pycallgraph使用的相同），因此输出看起来类似。我觉得gprof2dot丢失的信息更少：
