锐客网

  1. 首页 > 生活百科 > it技术 > >

python计时函数的简单介绍

IT技术方法

python怎么写计时器用面向对象和多向进程timeit
通常在一段程序的前后都用上time.time(),然后进行相减就可以得到一段程序的运行时间，不过python提供python计时函数了更强大的计时库python计时函数：timeit
#导入timeit.timeitfrom timeit import timeit
#看执行1000000次x=1的时间：timeit('x=1')#看x=1的执行时间，执行1次(number可以省略，默认值为1000000)：timeit('x=1', number=1)#看一个列表生成器的执行时间,执行1次：timeit('[i for i in range(10000)]', number=1)#看一个列表生成器的执行时间,执行10000次：timeit('[i for i in range(100) if i%2==0]', number=10000)
测试一个函数的执行时间：
from timeit import timeitdef func():
s = 0
for i in range(1000):
s= iprint(s)# timeit(函数名_字符串，运行环境_字符串 ， number=运行次数)t = timeit('func()', 'from __main__ import func', number=1000)print(t)
此程序测试函数运行1000次的执行时间
repeat:
由于电脑永远都有其他程序也在占用着资源，你的程序不可能最高效的执行 。所以一般都会进行多次试验 ， 取最少的执行时间为真正的执行时间 。
from timeit import repeatdef func():
s = 0
for i in range(1000):
s= i#repeat和timeit用法相似，多了一个repeat参数 ， 表示重复测试的次数(可以不写，默认值为3.)，返回值为一个时间的列表 。t = repeat('func()', 'from __main__ import func', number=100, repeat=5)print(t)
print(min(t))
「干货」让Python性能起飞的15个技巧，你知道几个呢？前言
Python 一直以来被大家所诟病的一点就是执行速度慢，但不可否认的是 Python 依然是我们学习和工作中的一大利器 。本文总结了15个tips有助于提升 Python 执行速度、优化性能 。
关于 Python 如何精确地测量程序的执行时间，这个问题看起来简单其实很复杂 ， 因为程序的执行时间受到很多因素的影响，例如操作系统、Python 版本以及相关硬件（CPU 性能、内存读写速度）等 。在同一台电脑上运行相同版本的语言时 ， 上述因素就是确定的了，但是程序的睡眠时间依然是变化的，且电脑上正在运行的其他程序也会对实验有干扰 ， 因此严格来说这就是实验不可重复 。
我了解到的关于计时比较有代表性的两个库就是time和timeit。
其中，time库中有time()、perf_counter()以及process_time()三个函数可用来计时（以秒为单位），加后缀_ns表示以纳秒计时（自 Python3.7 始） 。在此之前还有clock()函数，但是在 Python3.3 之后被移除了 。上述三者的区别如下：
与time库相比，timeit有两个优点：
timeit.timeit(stmt='pass', setup='pass', timer= , number=1000000, globals=None)参数说明：
本文所有的计时均采用timeit方法，且采用默认的执行次数一百万次 。
为什么要执行一百万次呢？因为我们的测试程序很短，如果不执行这么多次的话，根本看不出差距 。
Exp1：将字符串数组中的小写字母转为大写字母 。
测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python'] 。
方法一
方法二
方法一耗时0.5267724000000005s，方法二耗时0.41462569999999843s ， 性能提升21.29%
Exp2：求两个list的交集 。
测试数组：a = [1,2,3,4,5]，b = [2,4,6,8,10] 。
方法一
方法二
方法一耗时0.9507264000000006s ，方法二耗时0.6148200999999993s ， 性能提升35.33%
关于set()的语法：|、、-分别表示求并集、交集、差集 。
我们可以通过多种方式对序列进行排序，但其实自己编写排序算法的方法有些得不偿失 。因为内置的sort()或sorted()方法已经足够优秀了，且利用参数key可以实现不同的功能，非常灵活 。二者的区别是sort()方法仅被定义在list中，而sorted()是全局方法对所有的可迭代序列都有效 。
Exp3：分别使用快排和sort()方法对同一列表排序 。
测试数组：lists = [2,1,4,3,0] 。
方法一
方法二
方法一耗时2.4796975000000003s ， 方法二耗时0.05551999999999424s，性能提升97.76%
顺带一提，sorted()方法耗时0.1339823999987857s。
可以看出，sort()作为list专属的排序方法还是很强的，sorted()虽然比前者慢一点，但是胜在它“不挑食”，它对所有的可迭代序列都有效 。
扩展 ：如何定义sort()或sorted()方法的key
1.通过lambda定义
2.通过operator定义
operator的itemgetter()适用于普通数组排序，attrgetter()适用于对象数组排序
3.通过cmp_to_key()定义，最为灵活
Exp4：统计字符串中每个字符出现的次数 。
测试数组：sentence='life is short, i choose python' 。
方法一
方法二
方法一耗时2.8105250000000055s ，方法二耗时1.6317423000000062s ，性能提升41.94%
列表推导（list comprehension）短小精悍 。在小代码片段中 ， 可能没有太大的区别 。但是在大型开发中，它可以节省一些时间 。
Exp5：对列表中的奇数求平方，偶数不变 。
测试数组：oldlist = range(10) 。
方法一
方法二
方法一耗时1.5342976000000021s，方法二耗时1.4181957999999923s，性能提升7.57%
大多数人都习惯使用来连接字符串 。但其实，这种方法非常低效 。因为，操作在每一步中都会创建一个新字符串并复制旧字符串 。更好的方法是用join()来连接字符串 。关于字符串的其他操作 ， 也尽量使用内置函数，如isalpha()、isdigit()、startswith()、endswith()等 。
Exp6：将字符串列表中的元素连接起来 。
测试数组：oldlist = ['life', 'is', 'short', 'i', 'choose', 'python'] 。
方法一
方法二
方法一耗时0.27489080000000854s，方法二耗时0.08166570000000206s ，性能提升70.29%
join还有一个非常舒服的点 ， 就是它可以指定连接的分隔符，举个例子
life//is//short//i//choose//python
【python计时函数的简单介绍】 Exp6：交换x ， y的值 。
测试数据：x, y = 100, 200 。
方法一
方法二
方法一耗时0.027853900000010867s ， 方法二耗时0.02398730000000171s，性能提升13.88%
在不知道确切的循环次数时，常规方法是使用while True进行无限循环，在代码块中判断是否满足循环终止条件 。虽然这样做没有任何问题 ， 但while 1的执行速度比while True更快 。因为它是一种数值转换，可以更快地生成输出 。
Exp8：分别用while 1和while True循环 100 次 。
方法一
方法二
方法一耗时3.679268300000004s ，方法二耗时3.607847499999991s ，性能提升 1.94%
将文件存储在高速缓存中有助于快速恢复功能 。Python 支持装饰器缓存，该缓存在内存中维护特定类型的缓存，以实现最佳软件驱动速度 。我们使用lru_cache装饰器来为斐波那契函数提供缓存功能，在使用fibonacci递归函数时，存在大量的重复计算，例如fibonacci(1)、fibonacci(2)就运行了很多次 。而在使用了lru_cache后 ， 所有的重复计算只会执行一次，从而大大提高程序的执行效率 。
Exp9：求斐波那契数列 。
测试数据：fibonacci(7) 。
方法一
方法二
方法一耗时3.955014900000009s ，方法二耗时0.05077979999998661s，性能提升98.72%
注意事项：
我被执行了（执行了两次demo(1, 2)，却只输出一次）
functools.lru_cache(maxsize=128, typed=False)的两个可选参数：
点运算符(.)用来访问对象的属性或方法 ， 这会引起程序使用__getattribute__()和__getattr__()进行字典查找，从而带来不必要的开销 。尤其注意，在循环当中，更要减少点运算符的使用 ， 应该将它移到循环外处理 。
这启发我们应该尽量使用from ... import ...这种方式来导包，而不是在需要使用某方法时通过点运算符来获取 。其实不光是点运算符 ， 其他很多不必要的运算我们都尽量移到循环外处理 。
Exp10：将字符串数组中的小写字母转为大写字母 。
测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python'] 。
方法一
方法二
方法一耗时0.7235491999999795s ，方法二耗时0.5475435999999831s ， 性能提升24.33%
当我们知道具体要循环多少次时，使用for循环比使用while循环更好 。
Exp12：使用for和while分别循环 100 次 。
方法一
方法二
方法一耗时3.894683299999997s ，方法二耗时1.0198077999999953s ，性能提升 73.82%
Numba 可以将 Python 函数编译码为机器码执行，大大提高代码执行速度 ， 甚至可以接近 C 或 FORTRAN 的速度 。它能和 Numpy 配合使用 ， 在 for 循环中或存在大量计算时能显著地提高执行效率 。
Exp12：求从 1 加到 100 的和 。
方法一
方法二
方法一耗时3.7199997000000167s ，方法二耗时0.23769430000001535s ，性能提升93.61%
矢量化是 NumPy 中的一种强大功能，可以将操作表达为在整个数组上而不是在各个元素上发生 。这种用数组表达式替换显式循环的做法通常称为矢量化 。
在 Python 中循环数组或任何数据结构时，会涉及很多开销 。NumPy 中的向量化操作将内部循环委托给高度优化的 C 和 Fortran 函数，从而使 Python 代码更加快速 。
Exp13：两个长度相同的序列逐元素相乘 。
测试数组：a = [1,2,3,4,5], b = [2,4,6,8,10]
方法一
方法二
方法一耗时0.6706845000000214s ， 方法二耗时0.3070132000000001s ， 性能提升54.22%
若要检查列表中是否包含某成员，通常使用in关键字更快 。
Exp14：检查列表中是否包含某成员 。
测试数组：lists = ['life', 'is', 'short', 'i', 'choose', 'python']
方法一
方法二
方法一耗时0.16038449999999216s ， 方法二耗时0.04139250000000061s ，性能提升74.19%
itertools是用来操作迭代器的一个模块，其函数主要可以分为三类：无限迭代器、有限迭代器、组合迭代器 。
Exp15：返回列表的全排列 。
测试数组：["Alice", "Bob", "Carol"]
方法一
方法二
方法一耗时3.867292899999484s ，方法二耗时0.3875405000007959s，性能提升89.98%
根据上面的测试数据，我绘制了下面这张实验结果图，可以更加直观的看出不同方法带来的性能差异 。
从图中可以看出，大部分的技巧所带来的性能增幅还是比较可观的，但也有少部分技巧的增幅较?。ɡ绫嗪?、7、8 ， 其中，第 8 条的两种方法几乎没有差异） 。
总结下来，我觉得其实就是下面这两条原则：
内置库函数由专业的开发人员编写并经过了多次测试 ， 很多库函数的底层是用C语言开发的 。因此，这些函数总体来说是非常高效的（比如sort()、join()等），自己编写的方法很难超越它们 ， 还不如省省功夫，不要重复造轮子了，何况你造的轮子可能更差 。所以，如果函数库中已经存在该函数，就直接拿来用 。
有很多优秀的第三方库，它们的底层可能是用 C 和 Fortran 来实现的，像这样的库用起来绝对不会吃亏 ， 比如前文提到的 Numpy 和 Numba，它们带来的提升都是非常惊人的 。类似这样的库还有很多，比如Cython、PyPy等，这里我只是抛砖引玉 。
原文链接：
提升Python运行速度的5个小技巧pre{overflow-x: auto}
Python 是世界上使用最广泛的编程语言之一 。它是一种解释型高级通用编程语言 ， 具有广泛的用途，几乎可以将其用于所有事物 。其以简单的语法、优雅的代码和丰富的第三方库而闻名 。python除了有很多优点外，但在速度上还有一个非常大的缺点 。
虽然Python代码运行缓慢 ， 但可以通过下面分享的5个小技巧提升Python运行速度！
首先，定义一个计时函数timeshow，通过简单的装饰，可以打印指定函数的运行时间 。
这个函数在下面的例子中会被多次使用 。
def timeshow(func):from time import timedef newfunc(*arg, **kw):t1 = time()res = func(*arg, **kw)t2 = time()print(f"{func.__name__: 10} : {t2-t1:.6f} sec")return resreturn newfunc@timeshowdef test_it():print("hello pytip")test_it()1. 选择合适的数据结构
使用正确的数据结构对python脚本的运行时间有显着影响 。Python 有四种内置的数据结构：
列表 :List
元组 :Tuple
集合 :Set
字典 :Dictionary
但是，大多数开发人员在所有情况下都使用列表 。这是不正确的做法 ， 应该根据任务使用合适数据结构 。
运行下面的代码，可以看到元组执行简单检索操作的速度比列表快 。其中dis模块反汇编了一个函数的字节码，这有利于查看列表和元组之间的区别 。
import disdef a():data = https://www.04ip.com/post/[1, 2, 3, 4, 5,6,7,8,9,10]x =data[5]return xdef b():data = (1, 2, 3, 4, 5,6,7,8,9,10)x =data[5]return xprint("-----:使用列表的机器码:------")dis.dis(a)print("-----:使用元组的机器码:------")dis.dis(b)
运行输出:
-----:使用列表的机器码:------
3 0 LOAD_CONST 1 (1)
2 LOAD_CONST 2 (2)
4 LOAD_CONST 3 (3)
6 LOAD_CONST 4 (4)
8 LOAD_CONST 5 (5)
10 LOAD_CONST 6 (6)
12 LOAD_CONST 7 (7)
14 LOAD_CONST 8 (8)
16 LOAD_CONST 9 (9)
18 LOAD_CONST 10 (10)
20 BUILD_LIST 10
22 STORE_FAST 0 (data)
4 24 LOAD_FAST 0 (data)
26 LOAD_CONST 5 (5)
28 BINARY_SUBSCR
30 STORE_FAST 1 (x)
5 32 LOAD_FAST 1 (x)
34 RETURN_VALUE
-----:使用元组的机器码:------
7 0 LOAD_CONST 1 ((1, 2, 3, 4, 5, 6, 7, 8, 9, 10))
2 STORE_FAST 0 (data)
8 4 LOAD_FAST 0 (data)
6 LOAD_CONST 2 (5)
8 BINARY_SUBSCR
10 STORE_FAST 1 (x)
9 12 LOAD_FAST 1 (x)
14 RETURN_VALUE
看下列表的机器码，冗长而多余！
2. 善用强大的内置函数和第三方库
如果你正在使用python并且仍在自己编写一些通用函数(比如加法、减法)，那么是在侮辱python 。Python有大量的库和内置函数来帮助你不用编写这些函数 。如果研究下，那么你会惊奇地发现几乎90%的问题已经有第三方包或内置函数来解决 。
可以通过访问官方文档查看所有内置函数 。你也可以在wiki python上找到更多使用内置函数的场景 。
比如，现在我们想合并列表中的所有单词为一个句子，比较法自己编写和调用库函数的区别:
# ? 正常人能想到的方法@timeshowdef f1(list):s =""for substring in list:s= substringreturn s# ? pythonic 的方法@timeshowdef f2(list):s = "".join(list)return sl = ["I", "Love", "Python"] * 1000 # 为了看到差异 ， 我们把这个列表放大了f1(l)f2(l)
运行输出:
f1 : 0.000227 sec
f2 : 0.000031 sec
3. 少用循环
用 列表推导式 代替循环
用 迭代器 代替循环
用 filter() 代替循环
减少循环次数，精确控制，不浪费CPU
## 返回n以内的可以被7整除的所有数字 。# ? 正常人能想到的方法:@timeshowdef f_loop(n):L=[]for i in range(n):if i % 7 ==0:L.append(i)return L#? 列表推导式@timeshowdef f_list(n):L = [i for i in range(n) if i % 7 == 0]return L# ?迭代器@timeshowdef f_iter(n):L = (i for i in range(n) if i % 7 == 0)return L# ? 过滤器@timeshowdef f_filter(n):L = filter(lambda x: x % 7 == 0, range(n))return L# ? 精确控制循环次数@timeshowdef f_mind(n):L = (i*7 for i in range(n//7))return Ln = 1_000_000f_loop(n)f_list(n)f_iter(n)f_filter(n)f_mind(n)
输出为:
f_loop : 0.083017 sec
f_list : 0.056110 sec
f_iter : 0.000015 sec
f_filter : 0.000003 sec
f_mind : 0.000002 sec
谁快谁慢，一眼便知！
filter配合 lambda 大法就是屌?。。?
4. 避免循环重复计算
如果你有一个迭代器，必须用它的元素做一些耗时计算，比如匹配正则表达式 。你应该将正则表达式模式定义在循环之外，因为最好只编译一次模式 ， 而不是在循环的每次迭代中一次又一次地编译它 。
只要有可能，就应该尝试在循环外进行尽可能多的运算，比如将函数计算分配给局部变量，然后在函数中使用它 。
# ? 应改避免的方式：@timeshowdef f_more(s):import refor i in s:m = re.search(r'a*[a-z]?c', i)# ? 更好的方式：@timeshowdef f_less(s):import reregex = re.compile(r'a*[a-z]?c')for i in s:m = regex.search(i)s = ["abctestabc"] * 1_000f_more(s)f_less(s)
输出为:
f_more : 0.001068 sec
f_less : 0.000365 sec
5. 少用内存、少用全局变量
内存占用是指程序运行时使用的内存量 。为了让Python代码运行得更快，应该减少程序的内存使用量 ， 即尽量减少变量或对象的数量 。
Python 访问局部变量比全局变量更有效 。在有必要之前，应该始终尝试忽略声明全局变量 。一个在程序中定义过的全局变量会一直存在，直到整个程序编译完成，所以它一直占据着内存空间 。另一方面 ， 局部变量访问更快，且函数完成后即可回收 。因此，使用多个局部变量比使用全局变量会更好 。
# ? 应该避免的方式：message = "Line1\n"message= "Line2\n"message= "Line3\n"# ? 更好的方式：l = ["Line1","Line2","Line3"]message = '\n'.join(l)# ? 应该避免的方式：x = 5y = 6def add():return x yadd()# ? 更好的方式：def add():x = 5y = 6return x yadd()
总结
本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注的更多内容!
python如何实现计时？用python实现计时器功能，代码如下：
''' Simple Timing Function.
This function prints out a message with the elapsed time from the
previous call. It works with most Python 2.x platforms. The function
uses a simple trick to store a persistent variable (clock) without
using a global variable.
'''
import time
def dur( op=None, clock=[time.time()] ):
if op != None:
duration = time.time() - clock[0]
print '%s finished. Duration %.6f seconds.' % (op, duration)
clock[0] = time.time()
# Example
if __name__ == '__main__':
import array
dur()# Initialise the timing clock
opt1 = array.array('H')
for i in range(1000):
for n in range(1000):
opt1.append(n)
dur('Array from append')
opt2 = array.array('H')
seq = range(1000)
for i in range(1000):
opt2.extend(seq)
dur('Array from list extend')
opt3 = array.array('H')
seq = array.array('H', range(1000))
for i in range(1000):
opt3.extend(seq)
dur('Array from array extend')
# Output:
# Array from append finished. Duration 0.175320 seconds.
# Array from list extend finished. Duration 0.068974 seconds.
# Array from array extend finished. Duration 0.001394 seconds.
关于python计时函数和的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息 ， 记得收藏关注本站 。

    推荐阅读


    上一篇：redis编译时报错 mac下编译redis

    下一篇：如何设置服务器的DNS53？ 怎么开启服务器dns53