仅Python 3：

由于从Python 3.3开始，time.cclock（）已被弃用，因此您将希望使用time.perf_counter（）进行系统范围的计时，或使用time.process_time（）进行进程范围的计时（就像您以前使用time.cclok（）的方式一样）：

import time

t = time.process_time()
#do some stuff
elapsed_time = time.process_time() - t

新函数process_time将不包括睡眠期间经过的时间。

仅Python 3：

由于从Python 3.3开始，time.cclock（）已被弃用，因此您将希望使用time.perf_counter（）进行系统范围的计时，或使用time.process_time（）进行进程范围的计时（就像您以前使用time.cclok（）的方式一样）：

import time

t = time.process_time()
#do some stuff
elapsed_time = time.process_time() - t

新函数process_time将不包括睡眠期间经过的时间。

测量时间（秒）：

from timeit import default_timer as timer
from datetime import timedelta

start = timer()

# ....
# (your code runs here)
# ...

end = timer()
print(timedelta(seconds=end-start))

输出：

0:00:01.946339

（仅使用Ipython）您可以使用%timeit来测量平均处理时间：

def foo():
    print "hello"

然后：

%timeit foo()

结果如下：

10000 loops, best of 3: 27 µs per loop

我为此做了一个库，如果你想测量一个函数，你可以这样做

from pythonbenchmark import compare, measure
import time

a,b,c,d,e = 10,10,10,10,10
something = [a,b,c,d,e]

@measure
def myFunction(something):
    time.sleep(0.4)

@measure
def myOptimizedFunction(something):
    time.sleep(0.2)

myFunction(input)
myOptimizedFunction(input)

https://github.com/Karlheinzniebuhr/pythonbenchmark

python cProfile和pstats模块为测量某些函数的时间提供了强大的支持，而无需在现有函数周围添加任何代码。

例如，如果您有python脚本timeFunctions.py：

import time

def hello():
    print "Hello :)"
    time.sleep(0.1)

def thankyou():
    print "Thank you!"
    time.sleep(0.05)

for idx in range(10):
    hello()

for idx in range(100):
    thankyou()

要运行探查器并生成文件的统计信息，只需运行：

python -m cProfile -o timeStats.profile timeFunctions.py

这是在使用cProfile模块来评测timeFunctions.py中的所有函数，并在timeStats.profile文件中收集统计信息。注意，我们不必向现有模块（timeFunctions.py）添加任何代码，这可以通过任何模块来完成。

一旦有了stats文件，就可以按如下方式运行pstats模块：

python -m pstats timeStats.profile

这将运行交互式统计浏览器，它为您提供了许多不错的功能。对于您的特定用例，您可以只检查函数的统计信息。在我们的示例中，检查两个函数的统计信息显示如下：

Welcome to the profile statistics browser.
timeStats.profile% stats hello
<timestamp>    timeStats.profile

         224 function calls in 6.014 seconds

   Random listing order was used
   List reduced from 6 to 1 due to restriction <'hello'>

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
       10    0.000    0.000    1.001    0.100 timeFunctions.py:3(hello)

timeStats.profile% stats thankyou
<timestamp>    timeStats.profile

         224 function calls in 6.014 seconds

   Random listing order was used
   List reduced from 6 to 1 due to restriction <'thankyou'>

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
      100    0.002    0.000    5.012    0.050 timeFunctions.py:7(thankyou)

这个假例子做不了什么，但给了你一个可以做什么的想法。这种方法最好的一点是，我不必编辑任何现有代码来获取这些数字，并且显然有助于分析。