Python中如何求平均运行时间

import time
import statistics

def measure_average_runtime(func, *args, iterations=1000, **kwargs):
    """
    测量函数平均运行时间
    
    Args:
        func: 要测试的函数
        *args: 函数的位置参数
        iterations: 测试迭代次数，默认为1000次
        **kwargs: 函数的关键字参数
    
    Returns:
        tuple: (平均运行时间(秒), 所有运行时间列表)
    """
    run_times = []
    
    for _ in range(iterations):
        start_time = time.perf_counter()  # 使用高精度计时器
        func(*args, **kwargs)
        end_time = time.perf_counter()
        run_times.append(end_time - start_time)
    
    # 计算统计信息
    avg_time = statistics.mean(run_times)
    min_time = min(run_times)
    max_time = max(run_times)
    std_dev = statistics.stdev(run_times) if len(run_times) > 1 else 0
    
    return avg_time, run_times, {
        'min': min_time,
        'max': max_time,
        'std_dev': std_dev,
        'iterations': iterations
    }

# 使用示例
def example_function(n):
    """示例函数：计算0到n-1的和"""
    total = 0
    for i in range(n):
        total += i
    return total

if __name__ == "__main__":
    # 测试example_function(1000)的平均运行时间
    avg_time, all_times, stats = measure_average_runtime(
        example_function, 
        1000, 
        iterations=100
    )
    
    print(f"平均运行时间: {avg_time:.8f} 秒")
    print(f"最短时间: {stats['min']:.8f} 秒")
    print(f"最长时间: {stats['max']:.8f} 秒")
    print(f"标准差: {stats['std_dev']:.8f} 秒")
    print(f"测试次数: {stats['iterations']} 次")
    
    # 如果需要更详细的统计，可以使用statistics模块
    print(f"\n详细统计:")
    print(f"中位数: {statistics.median(all_times):.8f} 秒")
    print(f"第95百分位数: {statistics.quantiles(all_times, n=20)[18]:.8f} 秒")

核心要点：

1. 使用time.perf_counter()获取高精度时间戳
2. 多次运行取平均值以减少误差
3. 使用statistics模块进行统计分析
4. 考虑使用timeit模块作为替代方案

一句话建议： 多次测量取平均，用perf_counter提高精度。

这只是日志格式。。。不能贴几百行上来啊。。难点就是线程名不同，要先根据线程名筛选，然后再根据 start end 筛选。
我目前想法是，用多个 list 来实现，但是感觉太笨重了。。

用到了 python pandas 包

df = pd.read_clipboard(header=None)

df.columns = [‘process’,‘status’,‘time’]

df.groupby(by=‘process’).apply(lambda x:(x.sort_values(by=‘time’).loc[x.status==‘end’,‘time’].values - - x.sort_values(by=‘time’).loc[x.status==‘start’,‘time’].values).mean())


前提是要保证线程的 start 和 end 的数量是匹配的

写完上面我又想到一个更好的办法，透视表
df_pivot = df.pivot_table( values=‘time’, index=‘process’,columns=‘status’,aggfunc=list)

df_pivot.apply(lambda x:(pd.np.array(sorted(x.end)) - pd.np.array(sorted(x.start))).mean(), axis=1)

用比较笨的方法实现了一下

with open(‘logtest.txt’,‘r’,encoding=‘utf-8’) as f:
list=[]
for lines in f:
list.append(lines.split())

api_name={}
count={}
for i in list:
if i[0] not in api_name:
api_name.update({i[0]:(0-int(i[2]))})
count.update({i[0]:int(“1”)})
else:
if i[1] ==“end”:
api_name.update({i[0]:(int(i[2])+int(api_name[i[0]]))})
count.update({i[0]:(count[i[0]]+1)})
if i[1] == “start”:
api_name.update({i[0]:(int(api_name[i[0]]-int(i[2])))})
count.update({i[0]:(count[i[0]]+1)})

for i in count.keys():
print(‘api’,i,“average running time =”,api_name[i] / count[i])