Python精確統(tǒng)計函數(shù)執(zhí)行時間的多種方法
更新時間：2026年01月27日 09:31:36 作者：AI手記叨叨
在軟件開發(fā)中,我們常常需要了解代碼的執(zhí)行效率,本文將介紹 Python中統(tǒng)計 函數(shù)執(zhí)行時間 的多種方法,及其適用場景和注意事項,需要的朋友可以參考下
一、為什么需要統(tǒng)計函數(shù)執(zhí)行時間
- 識別性能瓶頸，優(yōu)化關鍵代碼路徑
- 對比不同算法或?qū)崿F(xiàn)的性能差異，量化優(yōu)化效果
- 監(jiān)控生產(chǎn)環(huán)境中關鍵功能的性能表現(xiàn)
- 建立性能基準，評估代碼改進效果
- 診斷偶發(fā)的性能下降問題
二、Python中的時間統(tǒng)計方法
使用 time 模塊
import time
start_time = time.time() # 記錄開始時間
your_function() # 執(zhí)行目標函數(shù)
end_time = time.time() # 記錄結(jié)束時間
execution_time = end_time - start_time
print(f"函數(shù)執(zhí)行時間: {execution_time:.6f}秒")
特點：
- 簡單直接
- 精度約為毫秒級
- 受系統(tǒng)時間調(diào)整影響
使用 time.perf_counter()
import time
start = time.perf_counter() # 高精度計時器
your_function()
end = time.perf_counter()
print(f"函數(shù)執(zhí)行時間: {end - start:.6f}秒")
特點：
- 精度可達納秒級
- 不受系統(tǒng)時間調(diào)整影響
- 適合測量短時間間隔
注意
Windows 和 Linux 的底層計時機制不同，time.perf_counter()在不同操作系統(tǒng)上的精度可能略有差異。
使用 timeit 模塊
import timeit
# 測量單次執(zhí)行
time_taken = timeit.timeit('your_function()',
setup='from __main__ import your_function',
number=1)
print(f"執(zhí)行時間: {time_taken:.6f}秒")
# 測量多次執(zhí)行求平均
repeat = 1000
total_time = timeit.timeit('your_function()',
setup='from __main__ import your_function',
number=repeat)
print(f"平均執(zhí)行時間: {total_time/repeat:.6f}秒")
特點：
- 自動禁用垃圾回收以獲得更穩(wěn)定結(jié)果
- 適合測量小代碼段的執(zhí)行時間
- 可以方便地重復多次測量
使用裝飾器（推薦的解決方案）
import time
import functools
def timer(func):
@functools.wraps(func)
def wrapper(*args, **kwargs):
start_time = time.perf_counter()
result = func(*args, **kwargs)
end_time = time.perf_counter()
print(f"{func.__name__} 執(zhí)行時間: {end_time - start_time:.6f}秒")
return result
return wrapper
@timer
def example_function(n):
return sum(i*i for i in range(n))
example_function(1000000)
特點：
- 代碼復用性高
- 非侵入式測量
- 可以輕松添加或移除計時功能
使用上下文管理器
from contextlib import contextmanager
import time
@contextmanager
def timer_context(name):
start = time.perf_counter()
yield
end = time.perf_counter()
print(f"{name} 執(zhí)行時間: {end - start:.6f}秒")
with timer_context("復雜計算"):
# 在這里執(zhí)行需要計時的代碼
result = sum(i*i for i in range(1000000))
特點：
- 適合測量代碼塊的執(zhí)行時間
- 不需要封裝函數(shù)
- 可以嵌套使用
三、高級用法
對于更復雜的性能分析，可以使用 cProfile 模塊：
import cProfile
def your_function():
# 函數(shù)實現(xiàn)
pass
# 運行性能分析
profiler = cProfile.Profile()
profiler.enable()
your_function()
profiler.disable()
profiler.print_stats(sort='time')
四、異步函數(shù)計時
異步代碼（async/await）的計時需要特殊處理，可以使用 asyncio 模塊提供的方法。
使用 asyncio 專用計時器
import asyncio
async def task():
start = asyncio.get_event_loop().time() # 事件循環(huán)內(nèi)部時鐘
await asyncio.sleep(1)
end = asyncio.get_event_loop().time()
print(f"耗時: {end - start:.2f}秒") # 準確記錄協(xié)程生命周期
asyncio.run(task())
隔離CPU耗時（適用于混合計算/IO場景）
async def pure_cpu_work():
start = time.perf_counter() # 僅測量CPU計算部分
result = sum(i*i for i in range(10**6))
end = time.perf_counter()
print(f"CPU計算耗時: {end - start:.2f}秒")
return result
async def main():
await pure_cpu_work() # 只統(tǒng)計計算時間
await asyncio.sleep(1) # IO等待單獨處理
asyncio.run(main())
使用 asyncio.run() 包裝（Python 3.7+）
async def async_task():
await asyncio.sleep(1)
start = time.perf_counter()
asyncio.run(async_task()) # 包含事件循環(huán)啟動/關閉時間
end = time.perf_counter()
print(f"總耗時: {end - start:.2f}秒")
五、應用建議
精度選擇
- 對于長時間運行的任務（>1秒），使用
time.time()足夠 - 對于短時間測量，使用
time.perf_counter()
多次測量
- 對于快速函數(shù)，執(zhí)行多次求平均值
- 注意第一次執(zhí)行可能因緩存等因素較慢
環(huán)境控制
- 關閉其他占用CPU的程序
- 在相同環(huán)境下進行比較測試
結(jié)果分析
- 關注相對差異而非絕對數(shù)值
- 考慮標準差而不僅是平均值
相對差異 vs 絕對數(shù)值
相對差異 = (新值 - 舊值)/舊值 × 100%
絕對數(shù)值 = 直接測量結(jié)果（如 0.25秒）
絕對差異0.05秒看似很小，但相對10%的提升可能是顯著的
不同機器/環(huán)境下絕對數(shù)值會變化，但相對差異通常保持穩(wěn)定
幫助判斷優(yōu)化有效性（如5%以下差異可能是測量誤差）
平均值 vs 標準差
平均值：所有測量結(jié)果的平均數(shù)
標準差（σ）：數(shù)據(jù)離散程度的度量
高標準差可能暗示：
存在資源競爭（如GC、線程切換）
特殊輸入導致性能波動
測量環(huán)境不穩(wěn)定
示例：
# 兩組測量結(jié)果（單位：秒） 組A = [0.48, 0.49, 0.50, 0.51, 0.52] # 平均值0.50，σ≈0.015 組B = [0.35, 0.45, 0.50, 0.55, 0.65] # 平均值0.50，σ≈0.118 # 雖然平均值相同，但： # - 組A性能穩(wěn)定 # - 組B存在偶發(fā)的嚴重性能下降
在需要穩(wěn)定性的場景（如實時系統(tǒng)），低標準差比低平均值更重要。
六、常見誤區(qū)
- 只測量一次：單次測量可能受系統(tǒng)波動影響
- 忽略預熱效應：第一次執(zhí)行通常較慢
- 測量包含打印時間：I/O操作會顯著影響結(jié)果
- 在開發(fā)環(huán)境評估生產(chǎn)性能：環(huán)境差異可能導致結(jié)果不準確
七、總結(jié)
Python 提供了多種統(tǒng)計函數(shù)執(zhí)行時間的方法，從簡單的 time.time() 到專業(yè)的 cProfile 工具。選擇合適的方法取決于具體需求：
- 快速檢查：使用
time.time()或裝飾器 - 精確測量：使用
time.perf_counter() - 重復測試：使用
timeit - 全面分析：使用
cProfile
通過合理使用這些工具，可以有效地識別和解決性能問題，提升代碼效率。
以上就是Python統(tǒng)計函數(shù)執(zhí)行時間的多種方法的詳細內(nèi)容，更多關于Python統(tǒng)計函數(shù)執(zhí)行時間的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了pytorch 梯度NAN異常值的解決方案，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-06-06
pytorch動態(tài)神經(jīng)網(wǎng)絡(擬合)實現(xiàn)
這篇文章主要介紹了pytorch動態(tài)神經(jīng)網(wǎng)絡(擬合)實現(xiàn),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-03-03
這篇文章主要為大家詳細介紹了Python中進行表單處理的方法,分別是利用Flask和Flask-WTF處理表單,文中的示例代碼講解詳細,感興趣的小伙伴可以了解一下2023-12-12
本文主要介紹了簡單探討一下python線程鎖，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-04-04
這篇文章主要介紹了python反轉(zhuǎn)列表的三種方式解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-11-11
Python并發(fā)concurrent.futures和asyncio實例
這篇文章主要介紹了Python并發(fā)concurrent.futures和asyncio實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-05-05
這篇文章主要向我們詳細介紹了Python描述器descriptor,需要的朋友可以參考下2015-02-02
這篇文章主要介紹了Python圖像處理之膨脹與腐蝕的操作,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-02-02
這篇文章主要介紹了Python實現(xiàn)合并excel表格的方法,結(jié)合實例形式分析了Python合并Excel表格的原理、實現(xiàn)步驟與相關操作技巧,需要的朋友可以參考下2019-04-04
這篇文章主要介紹了如何使用Python抓取網(wǎng)頁tag操作,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-02-02