使用time.perf_counter()或timeit模块可精确测量Python代码执行时间，其中timeit适合短代码片段并自动取平均值以减少误差；对于性能分析，推荐使用cProfile模块定位耗时函数。
测量Python代码执行时间，简单来说，就是记录代码开始和结束的时间，然后相减得到差值。但直接用
time.time()可能不够精确，尤其对于运行时间很短的代码片段。
解决方案
最常用的方法是使用
time模块的
time.time()函数，或者
timeit模块，后者更适合测量小段代码的执行时间。
import time
start_time = time.time()
# 这里放置你要测量的代码
result = sum(range(100000))
end_time = time.time()
execution_time = end_time - start_time
print(f"代码执行时间: {execution_time} 秒")
import timeit
code_to_test = """
result = sum(range(100000))
"""
execution_time = timeit.timeit(code_to_test, number=100) # 执行100次取平均值
print(f"代码执行时间 (timeit): {execution_time / 100} 秒")timeit模块会自动多次运行你的代码，然后计算平均执行时间，这样可以减少随机误差的影响。
立即学习“Python免费学习笔记（深入）”；
如何选择合适的测量方法？
如果只是想粗略地了解一段较长代码的执行时间，
time.time()足够了。但如果需要精确测量，或者代码执行时间很短，
timeit是更好的选择。
timeit还可以避免一些外部因素的干扰，比如垃圾回收。
除了
time和
timeit，还有其他选择吗？
当然有。例如，可以使用
perf_counter()或
process_time()。
time.perf_counter()
：提供具有最高可用分辨率的性能计数器，适用于测量短时间间隔。它不受系统时钟调整的影响。time.process_time()
：返回当前进程的系统和用户CPU时间总和。它只计算实际消耗的CPU时间，不包括睡眠时间。
import time
start_time = time.perf_counter()
# 这里放置你要测量的代码
result = sum(range(100000))
end_time = time.perf_counter()
execution_time = end_time - start_time
print(f"代码执行时间 (perf_counter): {execution_time} 秒")
import time
start_time = time.process_time()
# 这里放置你要测量的代码
result = sum(range(100000))
end_time = time.process_time()
execution_time = end_time - start_time
print(f"代码执行时间 (process_time): {execution_time} 秒")perf_counter更适合测量实际经过的时间，而
process_time更关注CPU的使用情况。在多线程或多进程环境中，
process_time可能更有意义，因为它只计算当前进程的CPU时间。
如何分析代码的性能瓶颈？
测量整体执行时间只是第一步。要真正优化代码，需要找到性能瓶颈。这时，可以使用
cProfile模块。
import cProfile
def my_function():
result = sum(range(100000))
return result
cProfile.run('my_function()')cProfile会详细记录每个函数的调用次数、执行时间等信息，可以帮助你找到代码中最耗时的部分。分析
cProfile的输出结果，重点关注
tottime(函数内部消耗的总时间) 和
cumtime(函数及其所有子函数消耗的总时间)。找到
cumtime值较高的函数，这些很可能就是性能瓶颈所在。
