在數據分析工作中，針對百萬，千萬級別的數據進行分析是常有的事情，
因此，分析代碼性能的重要性不容忽視，能夠有一個方便快速的測試函數性能的方法，
對於我們快速發現性能瓶頸，及時優化，提高項目的開發效率至關重要。
本文介紹如何通過Python裝飾器來實現性能計時工具，
幫助我們在不改變現有代碼的基礎上，隨時測試函數的執行時間。
1. 概要
用裝飾器來實現這樣計時的工具有以下一些好處：
首先，侵入性小，使用裝飾器可以非常方便地爲函數添加性能計時功能，則無需修改函數的內部代碼。
這使得代碼更加整潔，也更容易維護。
其次，複用性強，一旦創建了一個性能計時裝飾器，就可以將其應用於多個函數，而無需爲每個函數單獨編寫性能計時的代碼。
這樣不僅提高了代碼的效率，也降低了出錯的可能性。
最後，是靈活度高，裝飾器允許你根據需要定製性能計時的行爲，不僅可以打印到終端，也可以根據需求將性能測試結果寫入文件或者數據庫。
2. 實現計時機制
下面是我目前在用的一個計時裝飾器，開發過程中經常用它來看看可能存在性能問題的函數的執行時間。
from functools import wraps
from time import perf_counter
def timeit(loop: int = 1):
"""
函數執行失敗時，重試
:param loop: 循環執行次數
:return:
"""
# 校驗參數，參數值不正確時使用默認參數
if loop < 1:
loop = 1
def decorator(func):
@wraps(func)
def wrapper(*args, **kwargs):
sum_time: float = 0.0
for i in range(loop):
start_time: float = perf_counter()
ret = func(*args, **kwargs)
end_time: float = perf_counter()
sum_time += end_time - start_time
print(
f"函數({func.__name__})共執行{loop}次，平均執行時間 {(sum_time/loop):.3f} 秒"
)
return ret
return wrapper
return decorator
這個裝飾器只有一個參數（loop），這個參數可以設置需要反覆執行幾次待測試的函數（func）。
比如loop設置100，這個裝飾器會計算函數（func）執行100次的平均時間。
3. 使用示例
我們用一個模擬的耗時計算函數（compute）來看看這個裝飾器的效果。
from decorators import timeit
import time
import random
@timeit(1)
def compute():
time.sleep(random.random() / 10)
return 100
if __name__ == "__main__":
result = compute()
print(f"{result = }")
從運行結果可以看出，這個timeit裝飾器不影響函數的返回值，
不過，這裏只執行一次，執行時間存在一定的隨機性。
可以將上面代碼中的@timeit(1)改成@timeit(100)，再看看執行結果。
執行次數多了之後，平均執行時間開始逼近隨機數的中值0.05。
一般性能測試時，都會設置loop這個參數至少大於10，而不會只執行一次。
4. 總結
總之，基於Python裝飾器實現的函數性能計時工具具有代碼簡潔、複用性強、靈活度高、便於性能分析、易於集成等諸多好處。
這些好處使得它成爲我們在進行代碼性能分析和優化時的有力工具。