在編寫 Python 腳本時，了解腳本的執行時間通常是很有用的，特別是在優化代碼或評估性能時。Python 提供了多種方法來測量腳本的執行時間，從內置模塊到第三方庫，可以選擇適合你需求的方式。

本文將介紹計算 Python 腳本執行時間的多種方法，包括使用 time 模塊、timeit 模塊、cProfile 模塊和 line_profiler 庫。

1. 使用 time 模塊測量執行時間

Python 的 time 模塊提供了多個函數，用于測量代碼執行所需的時間。以下是兩個主要的函數：

time.time()

time.time() 函數返回自 1970 年 1 月 1 日午夜以來的秒數，也稱為 Unix 時間戳。可以在執行代碼前和執行代碼后調用此函數，然后計算二者之間的差值來獲取代碼執行的時間。

import time

start_time = time.time()

# 執行你的代碼

end_time = time.time()
execution_time = end_time - start_time
print(f"代碼執行時間：{execution_time} 秒")

time.perf_counter()

time.perf_counter() 函數返回一個高精度的性能計數器，通常用于測量較小代碼塊的執行時間。

import time

start_time = time.perf_counter()

# 執行你的代碼

end_time = time.perf_counter()
execution_time = end_time - start_time
print(f"代碼執行時間：{execution_time} 秒")

2. 使用 timeit 模塊測量執行時間

timeit 模塊專門設計用于測量代碼片段的執行時間。它提供了一個 Timer 類，可以輕松地執行代碼多次，并計算平均執行時間。

import timeit

code_to_measure = """
# 在這里放置你要測量的代碼
"""

timer = timeit.Timer(stmt=code_to_measure)
execution_time = timer.timeit(number=1000)  # 執行代碼1000次
print(f"代碼執行平均時間：{execution_time / 1000} 秒")

3. 使用 cProfile 模塊進行性能分析

Python 的 cProfile 模塊用于執行代碼的性能分析。它會生成一個分析報告，顯示函數調用次數、執行時間和內存占用等信息。

import cProfile

def your_function():
    # 在這里放置你要測量的代碼

if __name__ == '__main__':
    cProfile.run('your_function()')

執行上述代碼后，cProfile 會生成詳細的性能分析報告，幫助了解代碼中哪些部分占用了最多的時間。

4.使用 line_profiler 庫進行逐行分析

line_profiler 是一個第三方庫，用于逐行分析 Python 代碼的執行時間。首先，需要安裝該庫：

pip install line_profiler

然后，可以使用 @profile 裝飾器標記你想分析的函數，并使用 kernprof 命令運行腳本。

from line_profiler import LineProfiler

lp = LineProfiler()

@lp.profile
def your_function():
    # 在這里放置你要測量的代碼

if __name__ == '__main__':
    your_function()
    lp.print_stats()

執行后，line_profiler 將顯示每行代碼的執行時間，找出代碼中的瓶頸。

總結

測量 Python 腳本的執行時間對于代碼優化和性能評估非常重要。本文介紹了多種方法來實現這一目標，包括使用內置的 time 模塊，timeit 模塊進行多次測量，cProfile 模塊進行性能分析，以及 line_profiler 庫進行逐行分析。選擇適合你需求的方法，幫助你更好地理解和優化你的 Python 代碼。