Python中如何精确统计函数执行时间

AI手记叨叨

于 2025-07-16 11:44:18 发布

阅读量918

点赞数 12

CC 4.0 BY-SA版权

分类专栏： Python基础文章标签： python

本文链接：https://blog.csdn.net/baidu_32548867/article/details/149391417

Python基础专栏收录该内容

10 篇文章

订阅专栏

在软件开发中，我们常常需要了解代码的执行效率。本文将介绍 Python中统计函数执行时间的多种方法，及其适用场景和注意事项。

一、为什么需要统计函数执行时间

识别性能瓶颈，优化关键代码路径
对比不同算法或实现的性能差异，量化优化效果
监控生产环境中关键功能的性能表现
建立性能基准，评估代码改进效果
诊断偶发的性能下降问题

二、Python中的时间统计方法

使用 time 模块

import time

start_time = time.time()  # 记录开始时间
your_function()          # 执行目标函数
end_time = time.time()   # 记录结束时间

execution_time = end_time - start_time
print(f"函数执行时间: {execution_time:.6f}秒")

特点：

简单直接
精度约为毫秒级
受系统时间调整影响

使用 time.perf_counter()

import time

start = time.perf_counter()  # 高精度计时器
your_function()
end = time.perf_counter()

print(f"函数执行时间: {end - start:.6f}秒")

特点：

精度可达纳秒级
不受系统时间调整影响
适合测量短时间间隔

注意
Windows 和 Linux 的底层计时机制不同，time.perf_counter()在不同操作系统上的精度可能略有差异。

使用 timeit 模块

import timeit

# 测量单次执行
time_taken = timeit.timeit('your_function()', 
                          setup='from __main__ import your_function',
                          number=1)
print(f"执行时间: {time_taken:.6f}秒")

# 测量多次执行求平均
repeat = 1000
total_time = timeit.timeit('your_function()', 
                         setup='from __main__ import your_function',
                         number=repeat)
print(f"平均执行时间: {total_time/repeat:.6f}秒")

特点：

自动禁用垃圾回收以获得更稳定结果
适合测量小代码段的执行时间
可以方便地重复多次测量

使用装饰器（推荐的解决方案）

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__} 执行时间: {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)

特点：

代码复用性高
非侵入式测量
可以轻松添加或移除计时功能

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} 执行时间: {end - start:.6f}秒")

with timer_context("复杂计算"):
    # 在这里执行需要计时的代码
    result = sum(i*i for i in range(1000000))

特点：

适合测量代码块的执行时间
不需要封装函数
可以嵌套使用

三、高级用法

对于更复杂的性能分析，可以使用 cProfile 模块：

import cProfile

def your_function():
    # 函数实现
    pass

# 运行性能分析
profiler = cProfile.Profile()
profiler.enable()
your_function()
profiler.disable()
profiler.print_stats(sort='time')

四、异步函数计时

异步代码（async/await）的计时需要特殊处理，可以使用 asyncio 模块提供的方法。

使用 asyncio 专用计时器

import asyncio

async def task():
    start = asyncio.get_event_loop().time()  # 事件循环内部时钟
    await asyncio.sleep(1)
    end = asyncio.get_event_loop().time()
    print(f"耗时: {end - start:.2f}秒")  # 准确记录协程生命周期

asyncio.run(task())

隔离CPU耗时（适用于混合计算/IO场景）

async def pure_cpu_work():
    start = time.perf_counter()  # 仅测量CPU计算部分
    result = sum(i*i for i in range(10**6))
    end = time.perf_counter()
    print(f"CPU计算耗时: {end - start:.2f}秒")
    return result

async def main():
    await pure_cpu_work()  # 只统计计算时间
    await asyncio.sleep(1)  # IO等待单独处理

asyncio.run(main())

使用 asyncio.run() 包装（Python 3.7+）

async def async_task():
    await asyncio.sleep(1)

start = time.perf_counter()
asyncio.run(async_task())  # 包含事件循环启动/关闭时间
end = time.perf_counter()
print(f"总耗时: {end - start:.2f}秒")

五、应用建议

精度选择

对于长时间运行的任务（>1秒），使用 time.time() 足够
对于短时间测量，使用 time.perf_counter()

多次测量

对于快速函数，执行多次求平均值
注意第一次执行可能因缓存等因素较慢

环境控制

关闭其他占用CPU的程序
在相同环境下进行比较测试

结果分析

关注相对差异而非绝对数值
考虑标准差而不仅是平均值

相对差异 vs 绝对数值

相对差异 = (新值 - 旧值)/旧值 × 100%
绝对数值 = 直接测量结果（如 0.25秒）

绝对差异0.05秒看似很小，但相对10%的提升可能是显著的
不同机器/环境下绝对数值会变化，但相对差异通常保持稳定
帮助判断优化有效性（如5%以下差异可能是测量误差）

平均值 vs 标准差

平均值：所有测量结果的平均数
标准差（σ）：数据离散程度的度量

高标准差可能暗示：
存在资源竞争（如GC、线程切换）
特殊输入导致性能波动
测量环境不稳定

示例：

# 两组测量结果（单位：秒）
组A = [0.48, 0.49, 0.50, 0.51, 0.52]  # 平均值0.50，σ≈0.015
组B = [0.35, 0.45, 0.50, 0.55, 0.65]  # 平均值0.50，σ≈0.118
	
# 虽然平均值相同，但：
# - 组A性能稳定
# - 组B存在偶发的严重性能下降