一、计算代码共运行了多少时间

time -p python3 lpdel.py

结果：

real 1.91
user 3.35
sys 0.35

•     real表示的是执行脚本的总时间
•     user表示的是执行脚本消耗的CPU时间。
•     sys表示的是执行内核函数消耗的时间。

二、计算代码函数耗时时长

python -m cProfile -s cumulative timing_functions.py

• python -m cProfile: 这部分表示使用 cProfile 模块执行代码性能分析。
• -s cumulative: 这部分表示按照累积时间（cumulative time）对函数进行排序，以显示哪些函数花费了最多的总时间。

如果希望保存上述结果，先执行命令-o，保存性能分析文件到指定的路径：

python -m cProfile -o profile.stats .\cal_pi.py -n 100000

可以使用pstats库对此文件进行分析：

import pstats
p = pstats.Stats("profile.stats")
p.sort_stats("cumulative") 
p.print_stats()  # 展示函数调用时间分析结果
p.print_callers()  # 展示函数的被调用情况
p.print_callees()  # 展示函数的调用情况

三、line_profiler

line_profiler

line_profiler输出的结果更为简洁：在函数前加上装饰器@profile通过命令行执行：

PS D:\work> kernprof -l -v .\cal_pi.py -n 1000000
pi is 3.141776
Wrote profile results to cal_pi.py.lprof
Timer unit: 1e-06 s

Total time: 5.69313 s
File: .\cal_pi.py
Function: cal_pi at line 10

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
    10                                           @profile
    11                                           def cal_pi(n_sims):
    12         1          2.1      2.1      0.0      in_circle = 0
    13   1000001     411368.5      0.4      7.2      for isims in range(n_sims):
    14   1000000    3032114.9      3.0     53.3          x, y = np.random.rand(2)
    15   1000000    1841899.0      1.8     32.4          if x**2 + y**2 < 1:
    16    785444     407741.1      0.5      7.2              in_circle += 1
    17         1          2.1      2.1      0.0      pi = in_circle/n_sims*4
    18         1          0.9      0.9      0.0      return pirn pi

整个过程就变得非常直观，随机数生成占用了53%的时间，判断是否在圆内占用了32.8%的时间。如果想要进一步优化仅需要从这两个地方入手，另外注意循环这里其实也占用了大约7%的时间，如果能规避循环说不定也能对程序性能有较好的提升。

其他测试可以看下这个连接：10种检测Python程序运行时间、CPU和内存占用的方法_除了psutil,python还有哪些模块可以看服务器内存和cpu-CSDN博客

高性能Python（一）程序性能分析方法 - 知乎 (zhihu.com)