1、手写耗时测试

先看结果;
主要有三种方法，各自的时钟间隔如下：

1. time.time()
   

2. timeit
   

3. time.time_ns() ( time is outputted in ns!).
   

可见方法2，即timeit 的时钟间隔最短。

注：最后一个是以ns为单位的，前两个是以s为单位的

三种方法的时钟测量及调用方式如下：

import numpy as npimport time
from timeit import default_timer as timerdef checktick():M = 200timesfound = np.empty((M,))for i in range(M):# t1 = time.time()  # get timestamp from timer# t2 = time.time()  # get timestamp from timert1 = timer()  # get timestamp from timert2 = timer()  # get timestamp from timer# t1 = time.time_ns() # get timestamp from timer# t2 = time.time_ns()  # get timestamp from timerwhile (t2 - t1) < 1e-16:  # if zero then we are below clock granularity, retake timing# t2 = time.time()  # get timestamp from timert2 = timer() # get timestamp from timer# t2 = time.time_ns()  # get timestamp from timertimesfound[i] = t2  # record the time stamp# minDelta = 1000000Delta = np.diff(timesfound)  # it should be cast to int only when neededminDelta = Delta.min()return minDeltaif __name__ == "__main__":print(f"the Clock Granularity is {checktick()*10e8} nanosecond")# print(f"the Clock Granularity is {checktick()} nanosecond")

np.diff() 函数说明

import time
from functools import wraps# decorator to time
def timefn(fn):@wraps(fn)def measure_time(*args, **kwargs):t1 = time.time()result = fn(*args, **kwargs)t2 = time.time()print(f"@timefn: {fn.__name__} took {t2 - t1} seconds")return resultreturn measure_time@timefn
def calc_something(param1, param2):...add your code...if __name__ == "__main__":calc_something(param1=1000, param2=300)

2、开源工具

与手写相比，还有一些可以详细到每一个函数，甚至每一行代码的耗时的工具。（但会增大一些开销，仅测试使用）

2.1 耗时测试

cProfile

一般是内置的，不用装，直接运行

python -m cProfile -s cumulative JuliaSet.py

SnakeViz

安装

pip install snakeviz

运行

python -m cProfile -o profile.stats JuliaSet.py
python -m snakeviz profile.stats --server

line_profiler

安装

pip install line_profiler

使用

在函数上方添加 “@profile” 标识（这个时候编辑器可能会报错，不用管，反正咱们用的是命令行）

运行

python -m kernprof -l JuliaSet.py
python -m line_profiler JuliaSet.py.lprof

2.2 内存占用测试

测试内存的附加耗时比测试时间多的多，可能是10-100倍甚至更多。

memory_profiler

安装

pip install memory_profiler

使用

记得还是带上“@profile”

运行

python -m memory_profiler JuliaSet.py

mprof

mprof是memory_profiler内置的可视化工具

运行（这里需要matplotlib）

python -m mprof run JuliaSet.py
python -m mprof plot mprofile_20220116173811.dat

第二句的文件mprofile_20220116173811.dat与第一句的输出保持一致

2.3 CPU 占用 --psutil

psutil不止可以看CPU占用，也能看内存占用

pip install psutil

这个怎么用看官方示例吧， 还有文档

针对看CPU占用主要用这个函数：

psutil.cpu_percent(interval=1, percpu=True) 

可以看每个CPU核的占用百分比