​​在Python中计算代码执行时间，核心方法是利用内置模块（如time、timeit）或第三方工具（如cProfile）记录时间差。​​ 关键方法包括：简单计时（time.time()）、高精度测量（timeit.timeit()）、性能分析（cProfile）以及装饰器封装计时逻辑，适用于不同场景的优化需求。

1. ​​基础计时：time模块​​
   使用time.time()在代码块前后记录时间戳，差值即为执行时间。例如：

   python复制
   import time
   start = time.time()
   # 待测代码
   end = time.time()
   print(f"耗时：{end - start}秒")

   适用于快速测试，但精度受系统时钟限制。

2. ​​高精度重复测量：timeit模块​​
   timeit.timeit()通过多次执行取平均值，减少误差。例如测试列表生成耗时：

   python复制
   import timeit
   time = timeit.timeit('[x**2 for x in range(1000)]', number=1000)
   print(f"平均耗时：{time/1000}秒")

   适合微优化场景，结果更稳定。

3. ​​性能分析：cProfile模块​​
   生成详细报告，定位函数级耗时瓶颈：

   python复制
   import cProfile
   cProfile.run('my_function()')

   输出包含调用次数、单次耗时等，适用于复杂程序优化。

4. ​​装饰器封装计时逻辑​​
   用装饰器自动测量函数执行时间，避免重复代码：

   python复制
   def timer(func):
       def wrapper(*args, **kwargs):
           start = time.time()
           result = func(*args, **kwargs)
           print(f"{func.__name__}耗时：{time.time() - start}秒")
           return result
       return wrapper
   
   @timer
   def slow_function():
       time.sleep(2)

5. ​​进阶工具：perf_counter与process_time​​
   time.perf_counter()提供更高精度（纳秒级），process_time()仅统计CPU时间，忽略I/O等待。例如：

   python复制
   start = time.perf_counter()
   # 计算密集型代码
   print(f"CPU时间：{time.process_time()}")

根据需求选择工具：快速验证用time，精确测试用timeit，深度优化用cProfile。注意避免在计时中包含无关操作（如打印语句），确保结果准确性。