В Python существует несколько способов узнать скорость выполнения кода, от простых до более продвинутых. Выбор способа зависит от того, что именно вы хотите измерить и насколько точные результаты вам нужны.
1. Использование Time. time() (простой и часто используемый способ):
Этот метод измеряет время, прошедшее между двумя моментами времени. Подходит для измерения времени выполнения относительно небольших фрагментов кода.
Import time
Start_time = time. time() # Запоминаем время начала выполнения
# Код, время выполнения которого нужно измерить
Result = sum(i**2 for i in range(100000))
End_time = time. time() # Запоминаем время окончания выполнения
Execution_time = end_time — start_time
Print(f"Время выполнения: {execution_time:.4f} секунд")
time. time(): Возвращает текущее время в секундах с начала эпохи (количество секунд, прошедших с 1 января 1970 года). execution_time = end_time — start_time: Вычисляем разницу между временем окончания и временем начала, чтобы получить время выполнения кода. f"{execution_time:.4f}": Форматируем время выполнения, чтобы отобразить только 4 знака после запятой.
2. Использование Time. perf_counter() (более точный для измерения времени):
Time. perf_counter() предоставляет более точный способ измерения времени, особенно в многопоточных средах. Он измеряет время с наивысшей доступной разрешающей способностью.
Import time
Start_time = time. perf_counter()
# Код, время выполнения которого нужно измерить
Result = sum(i**2 for i in range(100000))
End_time = time. perf_counter()
Execution_time = end_time — start_time
Print(f"Время выполнения: {execution_time:.4f} секунд")
time. perf_counter(): Возвращает значение счетчика производительности с наивысшей доступной разрешающей способностью. Важно, что значение само по себе не имеет смысла, важна только разница между двумя значениями, полученными с помощью perf_counter().
3. Использование Timeit (для многократного выполнения кода):
Модуль timeit позволяет многократно выполнять фрагмент кода и измерять среднее время выполнения. Это полезно для получения более стабильных результатов, особенно для небольших фрагментов кода, на которые могут влиять кратковременные колебания производительности системы.
Import timeit
# Код, время выполнения которого нужно измерить (в виде строки)
Code_to_test = """
Result = sum(i**2 for i in range(100000))
"""
# Измеряем Время Выполнения Кода 10 Раз
Execution_time = timeit. timeit(code_to_test, number=10)
Print(f"Среднее время выполнения: {execution_time:.4f} секунд")
#Или, если нужно использовать переменные из текущей области видимости:
Def my_function():
result = sum(i**2 for i in range(100000))
return result
Execution_time = timeit. timeit(my_function, number=10)
Print(f"Среднее время выполнения: {execution_time:.4f} секунд")
timeit. timeit(stmt, setup, timer, number):
stmt: Строка с кодом, который нужно измерить. setup: Строка с кодом, который выполняется один раз перед началом измерений (например, для импорта модулей или инициализации переменных). По умолчанию пустая строка. timer: Функция для измерения времени. По умолчанию используется time. perf_counter(). number: Количество выполнений кода stmt.
4. Использование CProfile и Profile (для профилирования кода):
Модули cProfile (написан на C и быстрее) и profile (написан на Python) позволяют профилировать код, то есть анализировать время выполнения каждой функции и оператора. Это полезно для выявления “узких мест” в вашем коде и оптимизации производительности.
Import cProfile
Def my_function():
result = sum(i**2 for i in range(100000))
return result
CProfile. run(‘my_function()’)
Этот код выведет подробную статистику о времени выполнения каждой функции в вашем коде.
5. Использование %timeit в Jupyter Notebook:
В Jupyter Notebook можно использовать magic command %timeit для измерения времени выполнения кода в ячейке.
%%timeit
Result = sum(i**2 for i in range(100000))
Этот код выполнит код в ячейке несколько раз и выведет среднее время выполнения. Для использования %timeit ячейка должна содержать только код, который нужно измерить.
6. Использование @profile с Line_profiler (для построчного профилирования):
Line_profiler — это библиотека, которая позволяет измерять время выполнения каждой строки кода в функции.
Установите Line_profiler:
2. pip install line_profiler
Добавьте декоратор @profile к функции, которую хотите профилировать:
4. @profile
5. def my_function():
6. result = 0
7. for i in range(100000):
8. result += i**2
9. return result
Запустите Kernprof для профилирования кода:
11. kernprof — l your_script. py
Это создаст файл your_script. py. lprof.
Просмотрите результаты профилирования с помощью Line_profiler:
13. python -m line_profiler your_script. py. lprof
Это выведет таблицу с временем выполнения каждой строки кода в функции my_function.
Какой способ выбрать?
Простая оценка времени выполнения: time. time() или time. perf_counter(). Более точное измерение времени выполнения: timeit. Выявление “узких мест” в коде: cProfile или profile. Построчное профилирование: line_profiler. В Jupyter Notebook: %timeit.
Дополнительные советы:
Исключите внешние факторы: Закройте другие приложения и отключите сетевые подключения, чтобы уменьшить влияние внешних факторов на результаты измерений. Запускайте измерения несколько раз: Чтобы получить более надежные результаты, запускайте измерения несколько раз и усредняйте полученные значения. Обратите внимание на единицы измерения: time. time() и time. perf_counter() возвращают время в секундах. Используйте виртуальные окружения: Чтобы избежать конфликтов зависимостей, используйте виртуальные окружения для каждого проекта. Оптимизируйте код после профилирования: После выявления “узких мест” в коде, используйте различные методы оптимизации, такие как использование более эффективных алгоритмов, кэширование результатов или распараллеливание вычислений.
Правильный выбор инструмента для измерения времени выполнения кода поможет вам эффективно оптимизировать производительность ваших программ на Python.