在写MATLAB的脚本的时候我时长会用tic、toc进行一下程序运行时间的测量。在Python中偶尔也会测试下，但是基本上都是靠使用time模块。接触了IPython之后突然间发现，原来程序执行时间的测试可以如此简单！
在IPython中，程序执行时间的测试是通过魔术函数来实现。这个功能的魔术函数有两个，一个是time，还有一个是timeit。后面这个功能与前面的功能类似，但是更为精确，因为测试采用了多次测试求取平均值的方式实现。
之前写了一个简单的测试小脚本，
|
1
2
3
4
5
6
|
#!/usr/bin/python
import numpy as np
from numpy.randomimport randn
data = {i :randn() for i in range(7)}
|
print(data)代码如下：
在IPython中测试记录如下：
|
1
2
3
4
5
6
7
|
In [21]: %time%run dict.py
{0:1.1356172702418055, 1: -0.24725099335195655, 2: -0.8566028472732841, 3:-0.7027863981377108, 4: 0.8563383373116604, 5: 1.4790260114125025, 6:0.45741003038960254}
Wall time: 0 ns
In [22]: %time%run dict.py
{0:0.4634308244997993, 1: -0.2169481701227914, 2: 1.844213869777202, 3:-1.09428552819743, 4: -0.3162553722440559, 5: 0.35052990092285824, 6:-1.0779260478165211}
Wall time: 0 ns
|
这结果有点……
确实，这么简单的语句能够执行多少时间呢！何况现在用的本子还是标压处理器，又是I7计算最强芯。好，接下来改造一下，改成循环：
|
1
2
3
4
5
6
7
8
|
#!/usr/bin/python
import numpy as np
from numpy.randomimport randn
for i inrange(1000):
data = {i : randn() for i in range(7)}
print(data)
|
以上代码存储到新文件之后，在IPython中进行测试与记录。眼前闪过一大片输出，拷贝全部的记录不太可能了，截取部分结果如下：
|
1
2
3
4
5
|
{0:-0.8346562430694008, 1: -0.5081226699243429, 2: 0.14690620427134915, 3:-1.1947018796604227, 4: 0.5299884594565932, 5: -0.11730239691529774, 6:-0.008304349615949396}
{0:-0.5004558540946741, 1: -2.239882398599743, 2: -0.4877611466394901, 3:0.04679029941320335, 4: -0.04061984884439187, 5: -0.18026780798066566, 6:0.2617579789690715}
{0:-0.8498496249579838, 1: -0.34650772255315343, 2: -0.7067822075542513, 3:0.4675343777714329, 4: -2.095049716609193, 5: -1.9396619017424426, 6:1.4723754138476228}
{0:1.0829454562962688, 1: 0.3658593642766029, 2: 0.7825005873884392, 3:-0.7024245957641886, 4: -0.9083494908408439, 5: -0.5225361343604294, 6:0.2780526056846729}
Wall time: 2.67 s
|
这次的执行结果确实是挺长的，个人觉得主要的瓶颈应该还是在输出功能上吧！在用timeit测试一下，看看结果是否有大的变化。部分记录结果如下：
|
1
2
3
4
|
{0:1.1881922773474327, 1: 2.095703415950821, 2: 0.7768251617416795, 3:-0.3639801567794642, 4: -1.2155069020886828, 5: 0.05454831526380187, 6:0.521994301720664}
{0:0.0962573073179745, 1: -0.6917641905037167, 2: 1.021197433972855, 3:0.4155701479521505, 4: 2.393391538898768, 5: 1.3755258048747323, 6:-0.5540780961303758}
{0:-0.418199398478115, 1: 1.1973929026808094, 2: -0.3243683593668846, 3:-1.7765735471011064, 4: -1.1567528174241677, 5: -2.297151750515544, 6:1.6966820033283279}
1 loop, best of 3:1.68 s per loop
|
从上面的结果中可以看出，似乎这个结果也不是取均值（我看的教程中写的是取均值）。上面的结果提示中，测试进行了三次，而从三次中取出了一个最好的结果。跟之前的结果确实是有一定的差距。我再修改一下代码，把print改掉，看看是否print是一个时间消耗大户！代码如下：
|
1
2
3
4
5
6
7
8
|
#!/usr/bin/python
import numpy as np
from numpy.randomimport randn
for i inrange(1000):
data = {i : randn() for i in range(7)}
a = data
|
两种测试的结果分别如下：
Time测试：
|
1
2
3
4
|
In [28]: %time%run dict_loop_no_disp.py
Wall time: 15 ms
In [29]: %timeit%run dict_loop_no_disp.py
100 loops, best of3: 3.2 ms per loop
|
从上面的结果可看出，print确实是一个时间消耗大户！而从这组结果中，似乎有觉得我对timeit的输出理解有点偏了。直观上的理解，上次的测试似乎只有1次循环测试，但是得出了三个最好的成绩。而这次的测试进行了100个循环，得出了三个最好的成绩？是这样理解吗？
如何理解暂且不去深究了，总体说来是后面一种精确一点罢了！实际的使用中，用的时候大约还是不多，毕竟我的Python程序执行时间都少的几乎可以忽略。
以上这篇在IPython中进行Python程序执行时间的测量方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/grey_csdn/article/details/67710562