Python脚本执行时间怎么算？

一分耕耘，一分收获！既然都打开这篇《运行Python脚本如何计时执行时间》，就坚持看下去，学下去吧！本文主要会给大家讲到等等知识点，如果大家对本文有好的建议或者看到有不足之处，非常欢迎大家积极提出！在后续文章我会继续更新文章相关的内容，希望对大家都有所帮助！

最直接的方法是使用time.time()获取脚本执行前后的时间戳，相减得到耗时，适合快速粗略计时；更精确的性能测试推荐使用timeit模块，它通过多次执行代码并取平均值，减少系统干扰，适合微基准测试和性能对比；为提升代码可读性，可用上下文管理器或装饰器封装计时逻辑；若需深入分析性能瓶颈，应使用cProfile等工具查看函数调用次数与耗时分布。

想知道Python脚本跑了多久？最直接的办法就是用time模块里的time()函数，或者更专业点，用timeit模块来精确测量。前者简单粗暴，上手快，后者则适合做性能比较和微基准测试，能给出更可靠的数据。

在Python里给代码计时，我个人常用的就是两种路子。

一种是time.time()。这方法简单到让人想笑，就是拿脚本开始和结束时的Unix时间戳一减，得到的就是秒数。比如：

import time

start_time = time.time()
# 这里放你的Python代码，比如一个耗时操作
for _ in range(1000000):
    pass
end_time = time.time()
print(f"脚本执行耗时: {end_time - start_time:.4f} 秒")

这种方式特别适合快速粗略地看看一个完整脚本跑了多久，或者某个大块代码的执行时间。它有个好处就是上手快，几乎没啥学习成本。

另一种，也是我更推荐的，特别是当你需要精确比较不同代码片段的性能时，是timeit模块。这玩意儿设计出来就是干这个的。它会多次运行你的代码片段，然后给你一个平均值，这样就能有效减少单次运行中系统环境带来的干扰。

比如，你想比较列表推导和循环哪个快：

import timeit

# 定义要测试的代码
code_list_comp = "[i for i in range(1000)]"
code_loop = """
my_list = []
for i in range(1000):
    my_list.append(i)
"""

# 使用timeit.timeit()进行测试
# number参数指定代码执行的次数
# setup参数用于设置代码运行前的环境
time_list_comp = timeit.timeit(code_list_comp, number=10000)
time_loop = timeit.timeit(code_loop, number=10000)

print(f"列表推导耗时: {time_list_comp:.6f} 秒")
print(f"普通循环耗时: {time_loop:.6f} 秒")

timeit还能作为命令行工具使用，直接对脚本文件或代码片段进行计时，这在快速测试时很方便。

为什么简单的 time.time() 不总是最准确？

说实话，time.time()虽然用起来顺手，但它有个“毛病”：它只记录了你代码从开始到结束的那一瞬间的墙上时间（wall-clock time）。这意味着什么呢？就是你电脑上同时运行的其他程序、操作系统的调度、甚至是硬盘的读写速度，都会影响这个计时结果。比如，你的脚本中间突然需要读写一个大文件，那这部分I/O等待时间也会被算进去，但它可能并不是CPU真正执行你代码的时间。

尤其是在做性能优化时，如果只跑一次，结果很可能带有偶然性。我有时候发现，同一段代码，我跑两次，结果可能就差个几毫秒甚至几十毫秒。这在微基准测试里可就是天壤之别了。timeit就是为了解决这个问题而生的，它会重复执行你的代码很多次，然后给你一个平均值，这样就能在一定程度上“抹平”那些偶然的系统干扰，让结果更具代表性。它更关注的是代码本身的执行效率，而不是外部环境的随机性。

如何在Python脚本中集成计时功能并优化输出？

把计时功能集成到脚本里，不只是简单地加几行time.time()那么粗暴。为了让代码更整洁、更易读，我通常会考虑用一些Pythonic的写法。

一种很常见也很优雅的方式是使用上下文管理器（Context Manager）。你可以定义一个类，实现__enter__和__exit__方法，这样就能用with语句来包裹需要计时的代码块。比如：

import time

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

    def __exit__(self, exc_type, exc_val, exc_tb):
        self.end_time = time.time()
        self.duration = self.end_time - self.start_time
        print(f"代码块执行耗时: {self.duration:.4f} 秒")

# 使用方法
with Timer():
    # 这里放你的代码
    sum(range(10000000))

print("脚本其他部分继续执行...")

这种方法让计时逻辑和业务逻辑分离，代码看起来更干净。

另一种是装饰器（Decorator）。如果你有很多函数需要计时，给每个函数都手动加start_time和end_time会很重复。这时候，装饰器就派上用场了：

import time

def time_it(func):
    def wrapper(*args, **kwargs):
        start_time = time.time()
        result = func(*args, **kwargs)
        end_time = time.time()
        print(f"函数 '{func.__name__}' 执行耗时: {end_time - start_time:.4f} 秒")
        return result
    return wrapper

@time_it
def my_complex_function(n):
    total = 0
    for i in range(n):
        total += i * i
    return total

my_complex_function(5000000)

这样一来，你只需要在函数定义前加一个@time_it，就能自动为这个函数计时，输出也更规范。至于输出优化，除了直接print，你也可以考虑把这些计时数据写入日志文件，或者收集起来，方便后续分析和可视化，特别是在生产环境中，这些数据很有价值。

除了计时，还有哪些工具可以帮助我分析Python脚本的性能瓶颈？

单纯知道脚本跑了多久，很多时候还不够。如果脚本慢，你得知道它慢在哪儿了。这时候，就需要更专业的性能分析工具了。

Python标准库里就有个非常强大的工具叫做cProfile（或者纯Python实现的profile，但cProfile更快，推荐用它）。它能给你一份详细的报告，告诉你脚本里每个函数被调用了多少次，每次调用花了多长时间，以及总共花了多长时间。这就像给你的代码拍了个X光片，能清楚地看到哪个函数是“耗时大户”。

使用起来也很简单，通常是这样：

import cProfile
import time

def func_a():
    sum(range(1000000))

def func_b():
    time.sleep(0.1) # 模拟I/O或耗时操作
    [i*i for i in range(500000)]

def main_script():
    func_a()
    func_b()
    func_a()

cProfile.run('main_script()')

运行后，你会看到一大堆输出，里面会有ncalls（调用次数）、tottime（函数自身执行时间，不包含其调用的子函数时间）、percall（每次调用tottime的平均时间）、cumtime（函数及其所有子函数执行的总时间）等关键指标。通过分析这些数据，你就能很快定位到性能瓶颈所在的具体函数。

除了cProfile，还有一些第三方库也很有用。比如，如果你怀疑是内存使用导致性能下降，可以看看memory_profiler。它能帮你逐行分析代码的内存使用情况。有时候，性能问题不光是CPU计算慢，也可能是内存分配和释放过于频繁导致的。另外，像line_profiler这种工具，能让你看到代码每一行执行的时间，这对于定位到函数内部的具体哪一行代码是瓶颈非常有帮助。这些工具都是从不同维度帮助你深入理解脚本的运行状况，从而做出更精准的优化。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~