⏱️ Ihr Code ist langsam, oder kommt es Ihnen nur so vor?

Optimierung ohne vorherige Messungen ist nicht optimal. Aber noch schlimmer sind Messungen, die „auf die Schnelle“ durchgeführt werden.

Viele verwenden time.time() für alles Mögliche und erhalten Zahlen, die nichts mit der Realität zu tun haben.

Lesen Sie die Analyse, wie man die Leistung in Python richtig misst.
Im Artikel:
▪️ Wall Time vs CPU Time: Warum Ihr Code 5 Sekunden „hängen“ kann, während der Prozessor nur 0,05s gearbeitet hat (und was man dagegen tun kann).
▪️ timeit: Warum dies die bessere Methode für Mikrobenchmarks ist und wie man sie verwendet, ohne sich zu schämen.
▪️ Jupyter Magic: Wie man die Geschwindigkeit mit einer Zeile misst (%timeit), wenn man in Notebooks arbeitet.
▪️ Asyncio: Warum Standardmethoden in asynchronem Code lügen und wo man den richtigen Timer loop.time() findet.

Das ist die Grundlage, ohne die man sich nicht an Refactoring wagen sollte.

👉 Profiling und Messung der Ausführungszeit von Code in Python: Vollständige Anleitung

#rtfm