Description

get the time of execution python ?

### Mesurer le Temps d’Exécution d’un Programme Python : Une Guide pour le Développeur

Lors de l’écriture de code Python, il est crucial de comprendre la performance de votre application. Qu’il s’agisse d’optimiser un algorithme, de résoudre un problème de lenteur ou simplement de comparer différentes solutions, **mesurer le temps d’exécution** devient indispensable. Dans ce blog post, découvrez **deux méthodes courantes et trois outils avancés** pour chronométrer votre code et analyser ses temps de réponse, CPU, et autres métriques clés.

—

#### 🔧 **Pourquoi Mesurer le Temps d’Exécution ?**

Avant de plonger dans les techniques, comprenons pourquoi ce sujet vaut la peine d’être abordé :

– **Optimiser les performances** : Identifier les parties de code lourdes ou inutilement répétitives.
– **Valider des résultats** : Comparer plusieurs algorithmes pour en choisir le plus efficace.
– **Assurer la fiabilité** : Tester si l’application répond dans les délais acceptables en contexte réel.

—

### 🧰 **Les Méthodes de Base**

#### 1️⃣ **`time.time()` : La Méthode Simples et Pratique**

Le module `time` fournit une fonction intuitive pour déterminer le **temps d’exécution réel** (y compris les pauses dues aux entrées/sorties).

“`python
import time

start = time.time()
# Partie de code à chronométrer
end = time.time()
print(f”Durée : {end – start:.6f} secondes”)
“`

– **Avantages** :
– Très simple à utiliser.
– Comprend les temps d’attente (IO, réseau, etc).
– **Exemple d’usage** : Mesurer le temps d’un script web ou d’un traitement de fichiers.

—

#### 2️⃣ **`time.process_time()` : Mesurer le Temps CPU**

Souhaitez-vous **exclure les pauses externes** ? Utilisez `process_time` pour mesurer uniquement le temps d’activité active du processeur.

“`python
import time

start = time.process_time()
# Code CPU-intensive
end = time.process_time()
print(f”Temps CPU : {end – start:.6f} secondes”)
“`

– **Pourquoi s’en servir ?**
Idéal pour analyser un processus **sans les interruptions extérieures** (comme les pauses de réseau ou d’attente d’enregistrement disque).

—

### 🎯 **Les Outils Avancés**

#### 3️⃣ **`timeit` : Un Évaluateur Précis pour Benchmarks**

Quand vous avez besoin de **tests fiables et reproductibles**, `timeit` est votre allié. Il permet d’effectuer des **moyennes statistiques** après plusieurs exécutions.

“`python
import timeit

def ma_fonction():
pass # Remplacez par votre fonction

temps = timeit.timeit(ma_fonction, number=1000)
print(f”Temps moyen : {temps / 1000:.6f} s”)
“`

– **Précautions** :
`timeit` ignore **les effets de cache** et le GC (garbage collector), ce qui peut influencer les résultats sur des exécutions brefs.

—

#### 4️⃣ **Jupyter Notebooks : `%timeit` et `%%timeit`**

Dans l’environnement interactif Jupyter, **les “magic functions”** rendent l’analyse fluide et immédiate. Cela vous permet de mesurer à la volée :

“`python
%timeit [i for i in range(10000)]

# Ou pour une cellule entière
%%timeit
result = []
for i in range(1000):
result.append(i**2)
“`

– **Bénéfices clés** :
– Intégré à l’environnement, aucun import supplémentaire.
– Très utile pour les scripts de prototype ou d’analyse.

—

#### 5️⃣ **`cProfile` : Pour une Analyse Parcourue**

Vous doutez de savoir **où se cache le goulot d’étranglement** dans un code plus complexe ? Le module `cProfile` (ou `profile`) vous aidera. Il vous donne **un aperçu des temps d’exécution par fonction**.

“`bash
python -m cProfile -s cumulative mon_script.py
“`

– **Sortie typique** : Un tableau indiquant le temps passé dans chaque fonction.
– **Pour qui ?** : Développeurs souhaitant **analyser profonde** de la structure d’un script.

—

### 🧩 **Conclusion : Que Choisir selon Vos Besoins ?**

Voici un petit récapitulatif pour résumer :

| Méthode | Indications clés | Environnement Recommandé |
|——————–|———————————————|———————————-|
| `time.time()` | Temps réel, incluant les attentes | Tous les scripts |
| `time.process_time()`| Mesure CPU active | Benchmark de code CPU |
| `timeit` | Benchmarks précis | Tests en ligne de commande |
| `%timeit` | Rapide dans Jupyter | Jupyter Notebook / Colab |
| `cProfile` | Profilage complet | Scripts ou applications lourds |

—

### ✅ **Bon à Savoir**

– **Le temps d’exécution varie légèrement selon l’environnement** (OS, serveur, charge système).
– **Pour un benchmark juste**, éxécuter plusieurs fois le test dans des conditions stables.
– **Les benchmarks courts peuvent produire des résultats biaisés**, utilisez les fonctions mentionnées pour des comparaisons reproductibles.

—

Et voilà ! Avec ces outils en main, chronométrer votre code Python devient une routine fluide et maîtrisée. Quelle que soit votre expérience, ces méthodes vous offrent des clés pour **révéler les détails cachés de votre code et améliorer sa performance**. Si vous souhaitez approfondir un point particulier, faites-nous signe en commentaires pour un prochain article détaillé !

⏳ **Bon chronométrage à tous !**