Python Jupyter Notebook 代码执行时间统计详解
本文详细解析在 Jupyter Notebook 中统计代码运行时间的几种方法。通过 Python 内置的 time 模块获取时间戳，以及 Jupyter 特有的 Magic 命令 %%time、%time 和 %timeit，帮助开发者快速定位性能瓶颈，优化代码执行效率。
本文深入解析在 Python Jupyter 环境中统计代码运行时间的具体实现过程。文中通过详细的示例代码展示操作方法，旨在为读者的学习或实际工作提供具有参考价值的技术指南。
Python 内置 time 模块基础
首先介绍 Python 标准库中用于时间统计的基础方法。
import time
time_start=time.time()
time_end=time.time()
print('totally cost',time_end-time_start)
import time
print "time.time(): %f " % time.time()
print time.localtime( time.time() )
print time.asctime( time.localtime(time.time()) )上述示例代码的运行结果如下所示：
time.time(): 1234892919.655932
(2009, 2, 17, 10, 48, 39, 1, 48, 0)
Tue Feb 17 10:48:39 2009Python 的 time.time() 函数用于返回当前时间的时间戳，该数值表示自 1970 年 1 月 1 日（Unix 纪元）以来经过的浮点秒数。
该方法无需传入任何参数。
其返回值为当前系统时间的时间戳，即自 1970 纪元后经过的浮点秒数。
Jupyter Magic 命令性能分析
其次，介绍 Jupyter Notebook 中用于性能分析的 Magic 命令：%%time、%time 以及 %timeit。
在代码性能分析场景中，有两个非常实用的 Magic 命令：%%time 和 %timeit。当代码执行速度缓慢且需要确认耗时是否为主要瓶颈时，使用这两个命令进行排查将非常高效。
（1）%%time 命令用于统计整个代码单元格（cell）执行一次所消耗的时间。
%%time
import time
for _ in range(1000):
time.sleep(0.01)# sleep for 0.01 seconds
output:
CPU times: user 196 ms, sys: 21.4 ms, total: 217 ms
Wall time: 11.6 s（2）%time 命令用于统计当前单行代码执行一次所消耗的时间。
import numpy
%time numpy.random.normal(size=1000)
output:
Wall time: 1e+03 µs（3）%timeit 命令基于 Python 的 timeit 模块实现，默认情况下它会重复执行语句 100,000 次，并返回运行最快的 3 次结果的平均值，从而提供更精确的性能评估。
import numpy
%timeit numpy.random.normal(size=100)
output:
12.8 µs ± 1.25 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)以上内容涵盖了 Jupyter 中主要的代码计时方法，希望能为读者的技术学习带来帮助。欢迎持续关注本站以获取更多技术分享。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
