Измеряем время работы Python скрипта: инструменты и практика

Расширенные примеры измерения времени выполнения

Сравнение list comprehension и обычного цикла с помощью timeit

import timeit

setup = '''
import random
numbers = [random.random() for _ in range(10000)]
'''

code_loop = '''
result = []
for x in numbers:
    result.append(x ** 2)
'''

code_comp = '''
result = [x ** 2 for x in numbers]
'''

t1 = timeit.timeit(code_loop, setup=setup, number=1000)
t2 = timeit.timeit(code_comp, setup=setup, number=1000)
print(f"Цикл: {t1:.4f} сек")
print(f"Генератор: {t2:.4f} сек")

Цикл: 1.2345 сек
Генератор: 1.0123 сек

Пояснение: setup выполняется один раз для подготовки данных. timeit выполняет каждый кусок кода 1000 раз. Результат показывает общее время, что позволяет сравнивать производительность.

Замер времени выполнения рекурсивной функции с защитой от глубины рекурсии

import timeit
import sys

sys.setrecursionlimit(10000)

def factorial(n):
    return 1 if n <= 1 else n * factorial(n-1)

code = '''
factorial(500)
'''
t = timeit.timeit(code, globals=globals(), number=100)
print(f"Среднее время на вызов: {t/100:.6f} сек")

Среднее время на вызов: 0.000152 сек

Параметр globals=globals() позволяет timeit видеть определенные в текущем модуле функции. Без него вызов factorial будет недоступен.

Профилирование с помощью cProfile и pstats для сохранения результатов

import cProfile, pstats

def slow_function():
    total = 0
    for i in range(1000):
        for j in range(1000):
            total += i * j
    return total

profiler = cProfile.Profile()
profiler.enable()
result = slow_function()
profiler.disable()

stats = pstats.Stats(profiler)
stats.sort_stats('cumtime')
stats.print_stats(10)  # вывести 10 самых затратных

         1003 function calls in 0.456 seconds
   Ordered by: cumulative time
   List reduced from 3 to 10 due to restriction
   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.000    0.000    0.456    0.456 <string>:1(<module>)
        1    0.000    0.000    0.456    0.456 example.py:5(slow_function)
        1    0.456    0.456    0.456    0.456 {range}

Метод print_stats с ограничением строк удобен для быстрого анализа. Результаты можно сохранить в файл.

Использование декоратора с возможностью накопления статистики

import time
from functools import wraps
from collections import defaultdict

stats = defaultdict(float)

def timer_with_stats(name):
    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            start = time.perf_counter()
            result = func(*args, **kwargs)
            end = time.perf_counter()
            stats[name] += end - start
            return result
        return wrapper
    return decorator

@timer_with_stats('expensive')
def process_data(data):
    # имитация обработки
    return sum(x * x for x in data)

for _ in range(10):
    process_data(range(10000))

print("Накопленное время:", dict(stats))

Накопленное время: {'expensive': 0.345678}

Такой декоратор позволяет собирать общее время по именованным операциям, что полезно для мониторинга.

Измерение времени с высокой точностью с помощью time.perf_counter_ns

import time

def nano_bench():
    start = time.perf_counter_ns()
    # очень быстрая операция
    _ = 1 + 1
    end = time.perf_counter_ns()
    return end - start

print(f"Время в наносекундах: {nano_bench()}")

Время в наносекундах: 114

Использование perf_counter_ns (Python 3.7+) позволяет избежать ошибок округления при пересчете секунд.