我们在做python开发的时候，需要做性能分析，看看那些函数执行时间比较长，然后针对函数逻辑进行优化，那么在python3中怎么打印函数执行时长呢？今天来分享5中通用的的计时函数执行时长的方法。
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')
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')
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 coast_time(func):
def fun(*args, **kwargs):
t = time.perf_counter()
result = func(*args, **kwargs)
print(f'func {func.__name__} coast time:{time.perf_counter() - t:.8f} s')
return result
return fun
@coast_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 coast_time(func):
def fun(*args, **kwargs):
t = time.perf_counter()
result = func(*args, **kwargs)
print(f'func {func.__name__} coast 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__} coast time:{time.perf_counter() - t:.8f} s')
return result
if iscoroutinefunction(func):
return func_async
else:
return fun
@coast_time
def test():
print('func start')
time.sleep(2)
print('func end')
@coast_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 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'coast time:{time.perf_counter() - self.t:.8f} s')
def test():
print('func start')
with CoastTime():
time.sleep(2)
print('func end')
async def test_async():
print('async func start')
with CoastTime():
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。
