1. time.time()

在计算函数执行时间时，这种时最简洁的一种方式，用两个时间戳做减法。

import time


def func():
    print('func start')
    time.sleep(1)
    print('func end')


t = time.time()
func()
print(f'coast:{
      time.time() - t:.4f}s')

结果为：

func start
func end
coast:1.0003s

这种方法很简单，也很常用，但是如果想更精确的计算函数的执行时间，就会产生精度缺失。

2. time.perf_counter() 推荐

示例一中注释掉time.sleep(1),只统计两个 print 函数的执行时间：

import time


def func():
    print('func start')
    # time.sleep(1)
    print('func end')


t = time.time()
func()
print(f'coast:{
      time.time() - t:.8f}s')

func start
func end
coast:0.0000s

这就说明time.time() 函数的精度不是特别高，没法统计执行时间极短的函数耗时。

perf_counter 函数是在 python3.3 中新添加的，它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('func start')
    # time.sleep(1)
    print('func end')


t = time.perf_counter()
func()
print(f'coast:{
      time.perf_counter() - t:.8f}s')

结果

func start
func end
coast:0.00001500s

结果并不是 0 秒， 而是一个很小的值，这说明 perf_counter() 函数可以统计出 print 函数的执行耗时，并且统计精度要比 time.time() 函数要高，比较推荐作为计时器来使用。

3. timeit.timeit ()

timeit() 函数有 5 个参数，stmt=‘pass’, setup=‘pass’, timer=, number=1000000, globals=None。

• 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 time
import timeit


def func():
    print('func start')
    time.sleep(1)
    print('func end')


print(timeit.timeit(stmt=func, number=1))

以上方案中比较推荐使用的是 time.perf_counter() 函数，它具有比较高的精度，同时还被用作 timeit 函数默认的计时器。

4.装饰器统计运行耗时

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。

import time


def cost_time(func):
    def fun(*args, **kwargs):
        t = time.perf_counter()
        result = func(*args, **kwargs)
        print(f'func {
      func.__name__} cost time:{
      time.perf_counter() - t:.8f} s')
        return result

    return fun


@cost_time
def test():
    print('func start')
    time.sleep(2)
    print('func end')


if __name__ == '__main__':
    test()

如果有使用异步函数的需求也可以加上：

import asyncio
import time
from asyncio.coroutines import iscoroutinefunction


def cost_time(func):
    def fun(*args, **kwargs):
        t = time.perf_counter()
        result = func(*args, **kwargs)
        print(f'func {
      func.__name__} cost time:{
      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'func {
      func.__name__} cost time:{
      time.perf_counter() - t:.8f} s')
        return result

    if iscoroutinefunction(func):
        return func_async
    else:
        return fun


@cost_time
def test():
    print('func start')
    time.sleep(2)
    print('func end')


@cost_time
async def test_async():
    print('async func start')
    await asyncio.sleep(2)
    print('async func end')


if __name__ == '__main__':
    test()
    asyncio.get_event_loop().run_until_complete(test_async())

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，这种情况下我们可以使用 with 语句自动管理上下文。

5. with 语句统计运行耗时

通过实现 enter 和 exit 函数可以让我们在进入上下文和退出上下文时进行一些自定义动作，例如连接 / 断开数据库、打开 / 关闭文件、记录开始 / 结束时间等等，这里我们用来统计函数块的执行时间。

import asyncio
import time


class CostTime(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'cost time:{time.perf_counter() - self.t:.8f} s')


def test():
    print('func start')
    with CostTime():
        time.sleep(2)
        print('func end')


async def test_async():
    print('async func start')
    with CostTime():
        await asyncio.sleep(2)
        print('async func end')


if __name__ == '__main__':
    test()
    asyncio.get_event_loop().run_until_complete(test_async())

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。