对话实录

小白：（崩溃）我优化了半天代码，怎么知道到底有没有变快？

专家：（递上秒表）用时间测量工具！数据不会说谎！

时间测量四件套

1. 基础秒表：time.time ()

import time
start = time.time()
sum(range(1000000)) # 被测代码
end = time.time()
print(f"耗时：{end - start:.4f}秒") # -> 耗时：0.0414秒

专家提醒：适合粗略计时，精度约 1 毫秒！

2. 高精时钟：time.perf_counter ()

start = time.perf_counter()
sorted([3,1,4,1,5,9,2,6,5,3,5]) # 排序算法
end = time.perf_counter()
print(f"高精度耗时：{end - start:.6f}秒") #-> 高精度耗时：0.000006秒

3. time.process_time()

import time
start = time.process_time()
# 模拟一些计算密集型任务
result = 1
for i in range(1, 10000):
	result *= i
end = time.process_time()
print(f"CPU时间：{end - start:.6f}秒") #->CPU时间：0.031250秒

专家解读：此方法主要测量进程使用 CPU 的时间，能更精准反映代码计算量对时间的消耗，不受系统其他活动干扰，适用于评估纯计算任务性能。

4. timeit.timeit()

import timeit
def test_function():
	return sum([i**2 for i in range(1000)])
total_time = timeit.timeit(test_function, number = 1000)
print(f"1000次运行总耗时：{total_time:.6f}秒") #->1000次运行总耗时：0.106927秒

特别说明：timeit.timeit 函数方便在不同环境中准确测试代码性能。

实战案例

案例 1：比较算法性能

def test_sort(func):
  start = time.perf_counter()
  func([3,1,4,1,5,9,2,6,5,3,5]*1000)
  return time.perf_counter() - start
print(f"冒泡排序耗时：{test_sort(sorted)}秒")

案例 2：网络请求计时

import requests
start = time.perf_counter()
response = requests.get("https://www.baidu.com")
print(f"请求耗时：{time.perf_counter() - start:.2f}秒")
print(f"状态码：{response.status_code}")

案例 3：上下文管理器方式计时

class Timer:
  def __enter__(self):
    self.start = time.perf_counter()
    return self

  def __exit__(self, *args):
    self.duration = time.perf_counter() - self.start
    print(f"耗时：{self.duration:.3f}秒")

with Timer():
	sum([i**2 for i in range(1000000)])

案例 4：文件读写性能测试

import time
def read_file():
  with open('large_file.txt', 'r') as f:
  data = f.read()
  return data
start = time.perf_counter()
read_file()
print(f"读取文件耗时：{time.perf_counter() - start:.4f}秒")

def write_file():
  with open('new_file.txt', 'w') as f:
    for i in range(100000):
      f.write(str(i) + '\n')
start = time.perf_counter()
write_file()
print(f"写入文件耗时：{time.perf_counter() - start:.4f}秒")

案例5： 装饰器自动计时

def timer(func):
    def wrapper(*args, **kwargs):
        start = time.perf_counter()
        result = func(*args, **kwargs)
        print(f"{func.__name__}耗时：{time.perf_counter() - start:.4f}秒")
        return result
    return wrapper

@timer
def heavy_calculation():
  return sum(i**2 for i in range(10**6))
heavy_calculation()

案例 6： cProfile 模块进行性能分析

import cProfile

def complex_function():
    result = 0
    for i in range(1000000):
        result += i * i
    return result

cProfile.run('complex_function()')

cProfile 模块能生成详细的函数调用统计信息，包括每个函数被调用的次数、执行时间以及在函数内部调用其他函数的时间分布等。通过分析这些信息，开发者可以快速定位代码中的性能瓶颈，有针对性地进行优化。例如，在上述代码中，cProfile 的输出能直观展示complex_function函数内部的时间消耗情况，帮助开发者判断是否需要优化循环逻辑或采用更高效的数据结构。

案例 6： line_profiler 逐行分析

首先需要安装line_profiler库，使用pip install line_profiler命令进行安装。安装完成后，以下是使用示例：

from line_profiler import LineProfiler

def calculate_sum():
    total = 0
    for i in range(1000000):
        total += i
    return total

lp = LineProfiler()
lp.add_function(calculate_sum)
lp.run('calculate_sum()')
lp.print_stats()

line_profiler可以逐行分析函数的执行时间，精确到每一行代码的耗时情况。

小白：（献上膝盖）原来计时有这么多学问！

专家：（扶起小白）记住：优化前先测量，盲目优化是万恶之源！