当我们开始精通编程语言时，我们不仅希望实现最终的编程目标，而且还希望可以使我们的程序更高效。在本文中，我们将学习一些Ipython的命令，这些命令可以帮助我们对Python代码进行时间分析。注意，在本教程中，我建议使用Anaconda。1．分析一行代码要检查一行python代码的执行时间，请使用＊＊％timeit＊＊。下面是一个简单的例子来了解它的工作原理：＃＃＃＃ magics命令％timeit的简单用法％timeit ［num for num in range（20）］＃＃＃＃ 输出1．08 ？s ± 43 ns per loop （mean ± std． dev． of 7 runs， 1000000 loops each）主要注意事项：在要分析的代码行之前使用％timeit它返回代码运行的平均值和标准偏差。在上面的示例中，执行了7次，每次执行对该代码循环100万次（默认行为），这需要平均1．08微秒和43纳秒的标准偏差。在调用magic命令时，可以自定义运行和循环的数量，示例如下：＃＃＃＃ 在％timeit magic命令中自定义运行和循环数％timeit －r5 －n100 ［num for num in range（20）］
1．01 ？s ± 5．75 ns per loop （mean ± std． dev． of 5 runs， 100 loops each）使用命令选项－r和－n，分别表示执行次数和循环次数，我们将时间配置文件操作定制为执行5次和循环100次。2．分析多行代码本节向前迈进了一步，并解释了如何分析完整的代码块。通过对％timeit magic命令进行一个小的修改，将单百分比（％）替换为双百分比（％％），就可以分析一个完整的代码块。以下为示例演示，供参考：＃＃＃＃ 使用timeblock％％代码分析％％timeit －r5 －n1000for i in range（10）： n ＝ i＊＊2 m ＝ i＊＊3 o ＝ abs（i）
＃＃＃＃ 输出10．5 ？s ± 226 ns per loop （mean ± std． dev． of 5 runs， 1000 loops each）可以观察到for循环的平均执行时间为10．5微秒。请注意，命令选项－r和－n分别用于控制执行次数和循环次数。3．代码块中的每一行代码进行时间分析到目前为止，我们只在分析一行代码或代码块时查看摘要统计信息，如果我们想评估代码块中每一行代码的性能呢？使用Line＿profiler 。Line＿profiler 包可用于对任何函数执行逐行分析。要使用line＿profiler软件包，请执行以下步骤：安装—Line＿profiler 包可以通过简单的调用pip或conda Install来安装。如果使用的是针对Python的anaconda发行版，建议使用conda安装＃＃＃＃ 安装line＿profiler软件包conda install line＿profiler加载扩展—一旦安装，你可以使用IPython来加载line＿profiler：＃＃＃＃ 加载line＿profiler的Ipython扩展％load＿ext line＿profiler时间分析函数—加载后，使用以下语法对任何预定义函数进行时间分析％lprun －f function＿name＿only function＿call＿with＿arguments语法细节：对line＿profiler的调用以关键字％lprun开始，后跟命令选项－f命令选项之后是函数名，然后是函数调用在本练习中，我们将定义一个接受高度（以米为单位）和重量（以磅为单位）列表的函数，并将其分别转换为厘米和千克。＃＃＃＃ 定义函数def conversion（ht＿mtrs， wt＿lbs ）： ht＿cms ＝ ［ht＊100 for ht in ht＿mtrs］ wt＿kgs ＝ ［wt＊．4535 for wt in wt＿lbs］
＃＃＃＃ 定义高度和重量列表：ht ＝ ［5，5，4，7，6］wt ＝ ［108， 120， 110， 98］
＃＃＃＃ 使用line＿profiler分析函数％lprun －f conversion conversion（ht，wt）
－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－＃＃＃＃ 输出Total time： 1．46e－05 s
File： ＜ipython－input－13－41e195af43a9＞
Function： conversion at line 2
Line ＃ Hits Time Per Hit ％ Time Line Contents＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ 2 1 105．0 105．0 71．9 ht＿cms ＝ ［ht＊100 for ht in ht＿mtrs］ 3 1 41．0 41．0 28．1 wt＿kgs ＝ ［wt＊．4535 for wt in wt＿lbs］输出详细信息：以14．6微秒为单位（参考第一行输出）生成的表有6列：第1列（行＃）—代码的行号（请注意，第＃1行是故意从输出中省略的，因为它只是函数定义语句）第2列（命中）—调用该行的次数第3列（时间）—在代码行上花费的时间单位数（每个时间单位为14．6微秒）第4列（每次命中平均时间）—第3列除以第2列第5列（％Time）—在所花费的总时间中，花在特定代码行上的时间百分比是多少第6列（内容）—代码行的内容你可以清楚地看到，高度从米到厘米的转换几乎占了总时间的72％。结束语利用每一行代码的执行时间，我们可以部署策略来提高代码的效率。希望这篇文章能给你提供帮助，你能学到一些新东西。参考链接：https：／／towardsdatascience．com／did－you－know－you－can－measure－the－execution－time－of－python－codes－14c3b422d438
☆ END ☆如果看到这里，说明你喜欢这篇文章，请转发、点赞。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
