Python统计函数耗时的方法

time.time()
不适用于精度过高的计时。适用于表示日期时间或者对于精度要求不高的计时。

import time
T1 = time.time()

#待计算的代码块
print('hello world')

T2 = time.time()
print('程序运行时间:%s毫秒' % ((T2 - T1)*1000))

time.clock()
time.clock() 函数以浮点数计算的秒数返回当前的CPU时间。用来衡量不同程序的耗时，比time.time()更有用。(不同系统上，含义不同)、
不推荐使用

time.perf_counter()
python3.3之后出的，返回性能计数器的值
一般来说， 使用 time.time() 或 time.clock() 计算的时间精度因操作系统的不同会有所不同。 而使用 time.perf_counter() 函数可以确保使用系统上面最精确的计时器。但这种方法不适用于具有大量函数调用的程序。

time.process_time()
代码中由 Timer 类记录的时间是钟表时间，并包含了所有休眠时间。 如果只想计算该进程所花费的CPU时间，应该使用 time.process_time() 来代替。

上述四个方法的共同点：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。 time.perf_counter() 函数会在给定平台上获取最高精度的计时值。 不过，它仍然还是基于时钟时间，很多因素会影响到它的精确度，比如机器负载。 如果对于执行时间更感兴趣，可以用 time.process_time() 来代替它。
python3.7引入了thread_time()，以及monotonic()，perf_counter()，process_time()，time()的纳秒版本，以_ns​后缀命名。例如，perf_counter_ns()​是perf_counter()的纳秒版本的。

time.timeit()
timeit()函数中的参数:
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
repeat指定重复的次数

 import timeit
 def func():
     print('hello world')
 print(f'耗时: {timeit.timeit(stmt=func, number=1)}')
hello world
耗时: 1.3100000000000264e-05

cProfile性能分析工具
cProfile（语言编写的测试模块）是一个标准库内建的性能分析工具，可以在标准输出中看到每一个函数被调用的次数和运行的时间，从而找到程序的性能瓶颈，从而有针对性的进行性能优化。默认计时器： time.process_time()
pycharm中的Profile工具。

import cProfile
def func(a):
    print('hello world')
if __name__ == '__main__':
    cProfile.run("func(10000000)")

with语句统计
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())

装饰器统计
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()

（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())       

PyCharm中的Profile
从Run中点击Profile，即可对当前python脚本进行性能分析。