python中的代码运行时间获取方式

我们知道为了提高代码的运行速度，我们需要对书写的python代码进行性能测试，而代码性能的高低的直接反馈是电脑运行代码所需要的时间。

这里将介绍四种常用的测试代码运行速度的方法。

第一种

使用time模块对代码的运行时间进行统计，代码如下：

import time


class Debug:
    def mainProgram(self):
        start_time = time.time()
        for i in range(100):
            print(i)
        end_time = time.time()
        print(f"the running time is: {end_time - start_time} s")
        

if __name__ == "__main__":
    main = Debug()
    main.mainProgram()

我们采用time 模块给所要测试的代码的前后加上时间戳，一个记为start_time，一个记作end_time，最后代码块的运行时间为end_time-start_time，单位为s(秒)。

当然在python中还有许多的记录时间的模块，这里不做过多讨论，均类似于time模块，实现思路上一致，代码实现上大同小异。

第二种

使用IPython的Built-in magic commands,%time,代码如下：

class Debug:
    def mainProgram(self):
        %time for i in range(100): print(i)
        

main = Debug()
main.mainProgram()
"""
Wall time: 1.99 ms
"""

这个类定义是可以去掉的，并不会影响最终的结果，%time 后面加上想要计算时间的代码，然后编译器就会在运行后自动给出所测试代码的运行时间，但是经过测试，%time方法测出的时间并不准确，时间波动范围非常大，这个是很好理解的，因为计算机每时每刻都在处理一些进程，也就是说计算机的运行状态每时每刻都是不同的，所以在不同的时刻测试同一段代码的运行时间也会得到不同的结果。

第三种

用IPython的另一个Built-in magic commands,%timeit，使用方法类似于%time，代码如下：

class Debug:
    def mainProgram(self):
        %timeit for i in range(100): print(i)
        

main = Debug()
main.mainProgram()
"""
8.53 ms ± 452 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
"""

我们可以看到得到的结果是：每个循环8.53 ms±452 µs（平均±标准偏差，共运行7次，每个循环100个）%timeit相比于%time，%timeit会多次执行测试代码，并且会取它们运行时间的平均值，并且还会计算出它们的标准差，因此这种计算方法计算的结果相对于使用%time执行测试代码一次是比较准确的。

第四种

导入timeit模块来计算代码块的执行时间

import timeit


class Debug:
    def mainProgram(self):
        result = timeit.timeit(stmt="for i in range(100): print(i)", number=10)
        print(result)


main = Debug()
main.mainProgram()
"""
0.05363089999991644 s
"""

导入timeit模块后使用timeit.timeit()来测试想要测试的代码，并且代码以string的形式进行输入，并且需要设定number值，设定测试的该段代码需要执行的次数，最终我们得到0.05363089999991644，单位是s(秒)，与内置魔法方法%timeit方法不同的是虽然也是多次计算，但是最终获取的时间是n次执行代码所需的总时间而不是执行一次的时间。

至此，代码的运行速度测试方法的介绍暂时告一段落。

当然，还有一种进阶操作可以用来测试脚本文件的性能，python 脚本性能分析(超链接点击跳转)。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持Devmax。