By 佐川 直弘 | Naohiro Sagawa (運営者)

※記事内に広告を含みます。Amazonアソシエイトとして適格販売により収入を得ています。

1. 前言

Python 是一種因其簡潔與靈活性而廣泛應用的程式語言。然而，隨著程式碼變得複雜，處理速度的最佳化也變得越來越重要。特別是在處理大量資料或需要即時反應的應用程式中，準確地測量執行時間是不可或缺的。

本文將以簡單易懂的方式，說明如何使用 Python 測量程式的執行時間。從新手也能快速上手的基本方法，到進階的效能分析工具，我們將全面介紹。透過實際的程式碼範例，深入說明各種方法的特點與應用場景。

閱讀本文後，您將能夠學到以下知識：

• 在 Python 中測量執行時間的三種主要方法
• 比較各種方法的優點與缺點
• 實務中常見的執行時間測量應用範例

這將幫助您掌握設計高效且最佳化程式的技能。

2. 使用 Python 測量執行時間的三種基本方法

Python 的標準函式庫中已內建了方便的工具，可用來測量程式的執行時間。本章節將詳細介紹以下三種主要方法。

2.1 使用 time 模組進行測量

基本用法

time 模組是 Python 標準函式庫的一部分，常用於簡單地測量執行時間。主要使用以下三個函數：

• time.time()
  返回系統時鐘的目前時間（從 UNIX 紀元時間 1970 年 1 月 1 日起的秒數）。
• time.perf_counter()
  設計用於高精度計時，適合測量短時間執行或跨程序的處理。
• time.process_time()
  返回 CPU 實際花在執行程式上的時間，不包含等待 I/O 的時間。

實作範例

以下是使用 time.time() 來測量簡單處理時間的範例：

“`python
import time

start_time = time.time()

欲測量的處理內容

for i in range(1000000):
pass

end_time = time.time()
print(f”處理時間: {end_time – start_time} 秒”)

若需要更高精度的測量，可使用 time.perf_counter()：

import time

start = time.perf_counter()

# 欲測量的處理內容
for i in range(1000000):
    pass

end = time.perf_counter()
print(f"高精度處理時間: {end - start} 秒")

2.2 使用 timeit 模組進行測量

基本用法

timeit 模組設計用來測量短程式碼的執行時間。它會多次執行相同的程式，並返回平均執行時間，以排除偶發性的誤差。

實作範例

以下範例說明如何使用 timeit 測量建立一個列表所需的時間：

import timeit

code_to_test = """
result = [i for i in range(1000)]
"""
execution_time = timeit.timeit(code_to_test, number=1000)
print(f"建立列表所花費的時間: {execution_time} 秒")

2.3 使用效能分析工具進行測量

cProfile 模組

cProfile 是 Python 標準的效能分析工具，可測量整體程式的執行時間，並協助找出瓶頸。

實作範例

以下為使用 cProfile 分析函數效能的範例：

import cProfile

def example_function():
    total = 0
    for i in range(1000000):
        total += i
    return total

cProfile.run('example_function()')

這個範例中，cProfile 將輸出各個函數的呼叫次數與平均執行時間的報告。

3. 進階技巧：更簡單、更高效的測量方法

在這一節中，我們將介紹一些進階技巧，讓您能更簡單且有效率地測量程式的執行時間。我們將介紹如何使用「裝飾器」與「上下文管理器（Context Manager）」來簡化測量流程。

3.1 使用裝飾器自動測量函數執行時間

什麼是裝飾器？

裝飾器是一種 Python 的語法機制，可用來擴充函數的功能。透過裝飾器，您不需在每個函數內重複寫計時代碼，只需套用一次裝飾器，就能輕鬆為函數加入執行時間測量功能。

實作範例

以下範例展示如何使用裝飾器來測量任意函數的執行時間：

import time

# 測量用裝飾器
def timer(func):
    def wrapper(*args, **kwargs):
        start = time.perf_counter()
        result = func(*args, **kwargs)
        end = time.perf_counter()
        print(f"{func.__name__} 的執行時間: {end - start:.6f} 秒")
        return result
    return wrapper

# 套用裝飾器的函數
@timer
def example_function():
    for _ in range(1000000):
        pass

example_function()

如上所示，只需在函數前加上 @timer，即可自動測量執行時間。

應用範例

若您在專案中有多個函數需要進行效能監控，只需將相同裝飾器套用於各函數，即可大幅提升開發效率與可讀性。

3.2 使用上下文管理器（Context Manager）

什麼是上下文管理器？

上下文管理器是 Python 中的 with 語法，可讓您在進入與離開一段程式區塊時執行特定動作。應用在測量上，能以簡潔方式測量指定區塊的執行時間。

實作範例

以下是使用上下文管理器進行計時的範例：

from contextlib import contextmanager
import time

# 測量用上下文管理器
@contextmanager
def timing(description="執行時間"):
    start = time.perf_counter()
    yield
    end = time.perf_counter()
    print(f"{description}: {end - start:.6f} 秒")

# 使用 with 語法進行測量
with timing("迴圈處理"):
    for _ in range(1000000):
        pass

在此範例中，計時範圍被限制於 with 區塊內。透過變更 description 參數，您也能為不同測量內容加上直覺式標籤。

3.3 裝飾器與上下文管理器的比較

4. 測量方法的比較與選擇依據

在 Python 中有多種測量執行時間的方法，不同的情境與目的會適合不同的工具。本章節將比較主要方法的特點，並說明如何根據需求選擇最合適的方式。

方法比較

以下是 time 模組、timeit 模組，以及效能分析工具（cProfile）的比較表：

選擇方法的判斷標準

1. 當您需要高精度測量時

• 推薦方法：time.perf_counter() 或 timeit
• 理由： 可準確測量短時間處理，精度較高。

2. 當您想比較多段程式碼的效能

• 推薦方法：timeit
• 理由： 多次執行後的平均值可消除雜訊，提升準確性。

3. 當您想分析整個程式的效能

• 推薦方法：cProfile
• 理由： 可列出各函數的執行時間，有助於找出效能瓶頸。

4. 當您只需要快速測量時間

• 推薦方法：time.time()
• 理由： 簡單易用，對於一般用途來說足夠準確。

5. 當您想測量 CPU 實際花費的時間

• 推薦方法：time.process_time()
• 理由： 不受 I/O 等因素影響，只測 CPU 執行時間。

5. 實務上的應用範例

在實際開發中，學會使用 Python 測量執行時間的技巧非常有幫助。本章節將透過幾個實例，說明如何將這些測量技術應用於工作中。

5.1 測量 Web 應用程式的回應時間

背景說明

對於 Web 應用程式而言，使用者操作後的反應速度至關重要。特別是 API 的回應時間，會直接影響使用者體驗。

應用方式

可以使用 time.perf_counter() 或 timeit 來測量特定 API 端點的處理時間。

實作範例

以下是使用 Flask 框架測量 API 處理時間的範例：

from flask import Flask, request, jsonify
import time

app = Flask(__name__)

@app.route('/api', methods=['GET'])
def api_endpoint():
    start_time = time.perf_counter()

    # 實際處理邏輯（例如資料庫查詢）
    data = {"message": "Hello, World!"}

    end_time = time.perf_counter()
    print(f"API 的處理時間: {end_time - start_time:.6f} 秒")

    return jsonify(data)

if __name__ == '__main__':
    app.run(debug=True)

透過將回應時間記錄於日誌中，可以針對效能進行後續優化。

5.2 優化資料處理效能

背景說明

在處理大量資料時，演算法效率會大幅影響整體表現。找出效能瓶頸並採用更有效的方式處理資料是關鍵。

應用方式

使用 cProfile 可協助您找出哪些部分的處理最花時間。

實作範例

以下是測量資料分析任務執行時間的範例：

import cProfile
import pandas as pd

def process_data():
    # 讀取大量資料
    df = pd.DataFrame({
        "value": [i for i in range(100000)]
    })
    # 資料過濾
    df = df[df["value"] % 2 == 0]
    # 聚合計算
    result = df["value"].sum()
    return result

cProfile.run('process_data()')

根據分析結果，您可以針對耗時部分進行最佳化。

5.3 比較演算法的效能

背景說明

當您開發了多種演算法，透過比較其執行時間，可以選出效能最佳的一個。

應用方式

使用 timeit 可準確比較不同演算法的執行效能。

實作範例

以下是比較兩種加總列表元素方式的範例：

import timeit

# 演算法1：使用 for 迴圈
code1 = """
total = 0
for i in range(1000):
    total += i
"""

# 演算法2：使用內建 sum 函數
code2 = """
total = sum(range(1000))
"""

time1 = timeit.timeit(stmt=code1, number=10000)
time2 = timeit.timeit(stmt=code2, number=10000)

print(f"for 迴圈總和耗時: {time1:.6f} 秒")
print(f"sum 函數總和耗時: {time2:.6f} 秒")

透過這樣的比較，可以根據執行時間來選擇效能更好的方法。

6. 常見問題（FAQ）

這一節整理了關於 Python 執行時間測量的常見問題與解答，幫助從新手到中階使用者釐清常見疑問。

Q1: time.time() 和 time.perf_counter() 有什麼差別？

A1:

• time.time()
  取得系統目前的時間（以秒為單位），以 UNIX 時間（從 1970 年 1 月 1 日起）為基準。但會受到系統時鐘變更的影響，例如手動修改時間，因此不適合用於高精度的短時間測量。
• time.perf_counter()
  設計用於高精度測量，不受系統時間調整的影響，適合用來準確測量程式的執行時間。推薦用於效能分析。

Q2: 為什麼應該使用 timeit 模組？

A2:

timeit 模組會多次執行同一段程式碼並回傳平均值，有效排除單次測量時可能出現的誤差（例如 CPU 載入變化、垃圾回收等）。因此能提供更可靠的測量結果。

Q3: cProfile 模組適合用在哪些情況？

A3:

cProfile 是用來進行整體效能分析的工具，適用於以下情況：

• 想找出程式中最耗時的部分（效能瓶頸）。
• 想知道每個函數的執行次數與平均耗時。

例如在大型 Web 應用或資料處理任務中，可以透過 cProfile 精準找出優化重點。

Q4: 裝飾器和 with 語法要怎麼選擇使用？

A4:

• 裝飾器
  適合測量整個函數的執行時間。只需設定一次，即可重複使用在多個函數上。
• with 語法
  適合測量程式中的特定區塊，例如某段迴圈或特定邏輯。彈性高，可精細控制測量範圍。

建議根據情境靈活選擇使用方式。

Q5: 如果不需要高精度測量，可以使用哪個方法？

A5:

若只需進行一般用途的測量，time.time() 是最簡單也足夠的選擇。它實作簡單，對於非關鍵的效能測量場景來說相當實用。

Q6: 可以同時使用多種測量方法嗎？

A6:

可以。根據分析需求，結合多種方法能取得更完整的效能資料。例如先用 timeit 比較基本演算法效能，再用 cProfile 分析整體程式的瓶頸位置。

Q7: 初學者建議從哪個方法開始？

A7:

對於初學者，建議從 time.time() 或 time.perf_counter() 開始學習。以下是一個簡單的測量範例：

import time

start = time.perf_counter()
# 欲測量的處理
for i in range(1000000):
    pass
end = time.perf_counter()
print(f"處理時間: {end - start:.6f} 秒")

熟練後可進一步學習使用 timeit、裝飾器與 cProfile。

Q8: 與其他語言相比，Python 的測量精度如何？

A8:

Python 可以進行高精度的測量，但由於其為直譯語言，相較於 C++、Java 等編譯型語言，會有一些執行開銷。不過，Python 的優點在於開發快速與工具齊全，對日常測量來說已經非常足夠。

7. 總結

本文介紹了多種使用 Python 測量執行時間的方法。從新手也能輕鬆上手的基本技巧，到可應用於實務開發的進階工具，我們進行了全方位的說明。現在讓我們回顧一下重點內容。

重點回顧

1. 基本方法的介紹

• 使用 Python 標準的 time 模組，可以簡單快速地測量執行時間。
• 若需要更高精度，建議使用 time.perf_counter()。
• 若要測量 CPU 實際耗費的時間，可使用 time.process_time()。

1. 進階的測量技巧

• timeit 模組可透過多次執行取得平均值，進一步提高準確性。
• 使用效能分析工具（例如 cProfile）可以分析整體程式，找出效能瓶頸。

1. 應用技巧

• 透過裝飾器可以輕鬆測量函數的執行時間。
• 使用上下文管理器（with 語法）可以針對特定程式區塊進行靈活測量。

1. 實務應用範例

• 測量 Web 應用的 API 回應時間、優化資料處理流程、比較演算法效能等，在實際工作中都非常實用。

下一步：實務中的活用

執行時間的測量只是效能最佳化的第一步。接下來，您可以考慮以下方向：

• 深入效能分析：使用 cProfile 或 line_profiler 深入了解程式各部分的耗時情況。
• 改善效能：根據測量結果，優化演算法與程式結構以提升速度。
• 自動化測試：建立效能監控機制，確保未來版本不會出現效能退化。

結語

學會在 Python 中測量執行時間，是提升程式效率與品質不可或缺的技能。希望透過這篇文章，您能全面掌握從基礎到進階的技術，並靈活應用於自己的開發專案中。

在下一篇文章中，我們將深入介紹更高階的分析工具與最佳化技巧，敬請期待！