python开发，有时需要做性能分析及性能优化，这时就需要记录一些耗时函数执行时间问题，然后针对函数逻辑进行优化。

在python3中一般都有哪些方法呢。

1、使用time.time()

这种方法较简单，但如果想更精确的计算函数的执行时间，会产生精度缺失，没办法统计时间极短的函数耗时。

import time
 
 def func():
 time.sleep(1)
 
 t = time.time()
 func()
 print(f'耗时:{time.time() - t:.4f}s')
 
 耗时:1.0050s

登录后复制

2、使用time.perf_counter()

perf_counter是在python3.3新添加的，返回性能计数器的值，返回值是浮点型，统计结果包括睡眠的时间，单个函数的返回值无意义，只有多次运行取差值的结果才是有效的函数执行时间。

import time
 def func():
 print('hello world')
 t = time.perf_counter()
 func()
 print(f'耗时:{time.perf_counter() - t:.8f}s')
 hello world
 耗时:0.00051790s

登录后复制

3、使用timeit.timeit ()

timeit()函数有5个参数:
 stmt 参数是需要执行的语句，默认为 pass
 setup 参数是用来执行初始化代码或构建环境的语句，默认为 pass
 timer 是计时器，默认是 perf_counter()
 number 是执行次数，默认为一百万
 globals 用来指定要运行代码的命名空间，默认为 None 
 import timeit
 def func():
 print('hello world')
 print(f'耗时: {timeit.timeit(stmt=func, number=1)}')
 hello world
 耗时: 0.0007705999999999824

登录后复制

4、使用装饰器统计

在实际项目代码中，可以通过装饰器方便的统计函数运行耗时。使用装饰器来统计函数执行耗时的好处是对函数的入侵性小，易于编写和修改。

装饰器装饰函数的方案只适用于统计函数的运行耗时，如果有代码块耗时统计的需求就不能用了，这种情况下可以使用 with 语句自动管理上下文。

（1）同步函数的统计

import time 
 def coast_time(func):
 def fun(*args, **kwargs):
 t = time.perf_counter()
 result = func(*args, **kwargs)
 print(f'函数:{func.__name__} 耗时:{time.perf_counter() - t:.8f} s')
 return result
 return fun
 @coast_time
 def test():
 print('hello world')
 if __name__ == '__main__':
 test()

登录后复制

（2）异步函数的统计

import asyncio
 import time
 from asyncio.coroutines import iscoroutinefunction
 def coast_time(func):
 def fun(*args, **kwargs):
 t = time.perf_counter()
 result = func(*args, **kwargs)
 print(f'函数:{func.__name__} 耗时:{time.perf_counter() - t:.8f} s')
 return result
 async def func_async(*args, **kwargs):
 t = time.perf_counter()
 result = await func(*args, **kwargs)
 print(f'函数:{func.__name__} 耗时:{time.perf_counter() - t:.8f} s')
 return result
 if iscoroutinefunction(func):
 return func_async
 else:
 return fun
 @coast_time
 def test():
 print('hello test')
 time.sleep(1)
 @coast_time
 async def test_async():
 print('hello test_async')
 await asyncio.sleep(1)
 if __name__ == '__main__':
 test()
 asyncio.get_event_loop().run_until_complete(test_async()) 
 hello test
 函数:test 耗时:1.00230700 s
 hello test_async
 函数:test_async 耗时:1.00572550 s

登录后复制

5、with语句统计

通过实现 enter 和 exit 函数可以在进入和退出上下文时进行一些自定义动作，例如连接或断开数据库、打开或 关闭文件、记录开始或结束时间等，例如：我们用来统计函数块的执行时间。

with语句不仅可以统计代码块的执行时间，也可以统计函数的执行时间，还可以统计多个函数的执行时间之和，相比装饰器来说对代码的入侵性比较大，不易于修改，好处是使用起来比较灵活，不用写过多的重复代码。

import asyncio
 import time 
 class CoastTime(object):
 def __init__(self):
 self.t = 0
 def __enter__(self):
 self.t = time.perf_counter()
 return self
 def __exit__(self, exc_type, exc_val, exc_tb):
 print(f'耗时:{time.perf_counter() - self.t:.8f} s')
 def test():
 print('hello test')
 with CoastTime():
 time.sleep(1)
 async def test_async():
 print('hello test_async')
 with CoastTime():
 await asyncio.sleep(1)
 if __name__ == '__main__':
 test()
 asyncio.get_event_loop().run_until_complete(test_async())
hello test
耗时:1.00723310 s
hello test_async
耗时:1.00366820 s

登录后复制

以上就是Python中如何计算函数的执行时间？的详细内容，更多请关注海外IDC网其它相关文章！

【本文转自：韩国服务器 http://www.yidunidc.com处的文章,转载请说明出处】