如何使用tqdm监控代码运行完成进度并显示百分比进度条

首先安装依赖：
pip install tqdm

基础用法：直接包裹可迭代对象 #

如果你的逻辑是逐样本/逐批次处理数据集、遍历固定长度的任务列表，直接把可迭代对象传给tqdm()即可，工具会自动计算完成百分比、已运行时长、预计剩余时长、实时处理速度，和软件安装的进度条效果完全一致。

NLP批量文本处理示例：

from tqdm import tqdm
import time

# 模拟需要处理的NLP数据集
text_dataset = [f"news_sample_{i}" for i in range(10000)]
processed_res = []

# tqdm直接包裹遍历对象即可
for item in tqdm(text_dataset, desc="文本预处理进度"):
    # 替换为你实际的业务逻辑：分词、向量化、模型推理等
    time.sleep(0.0003)  # 模拟单条文本处理耗时
    processed_res.append(item)

运行时终端会实时刷新如下样式的进度：
文本预处理进度: 45%|████▌ | 4500/10000 [00:01<00:01, 2997.56it/s]
字段依次对应：自定义进度说明、完成百分比、可视化进度条、已完成量/总任务量、已耗时、预计剩余时间、每秒处理速度。

长任务适配：手动控制进度更新 #

如果你的任务是分多个独立阶段执行（比如先加载大模型、再跑批量推理、最后做结果导出，总耗时可达1小时，没法全部塞进同一个遍历循环），可以手动控制进度条的更新步长，精准匹配实际任务进度：

from tqdm import tqdm
import time

# 初始化进度条，总长度设为100，直接对应百分比展示
pbar = tqdm(total=100, desc="NLP任务总进度")

# 阶段1：加载预训练模型，占总进度20%
time.sleep(12*60)  # 模拟模型加载耗时12分钟
pbar.update(20)  # 进度推进到20%

# 阶段2：批量推理，占总进度70%
for batch in tqdm(range(70), desc="批次推理进度"):
    time.sleep(0.6*60)  # 模拟单批次处理耗时36秒，70个批次合计42分钟
    pbar.update(1)  # 每完成1个批次，总进度推进1%

# 阶段3：结果评估与导出，占总进度10%
time.sleep(6*60)  # 模拟结果导出耗时6分钟
pbar.update(10)

# 任务结束关闭进度条
pbar.close()

1小时长任务实用调参 #

针对长时间运行的任务，几个常用参数可以避免进度条显示异常、提升可读性：

• position=0：多进度条嵌套、循环内有print输出时，不会出现进度条乱跳、刷屏重复行的问题
• unit：自定义进度单位，比如处理文本设unit="条"，模型训练设unit="batch"，展示更直观
• ncols=120：固定进度条整体宽度，避免终端窗口大小变化导致进度条错位
• 如果你在Jupyter Notebook环境运行，把导入语句替换为from tqdm.notebook import tqdm，会生成适配网页端的交互式进度条，不会在输出区刷出大量冗余行

带参数的调用示例：

for item in tqdm(text_dataset, desc="命名实体识别进度", unit="条", ncols=120, position=0):
    # 实际处理逻辑
    pass

注意：如果循环内有逻辑会跳过部分任务，要按实际完成的任务量调用update()，不要硬套固定步长，否则会出现百分比和实际进度不符的问题。

内容的提问来源于stack exchange，提问作者KB-kodax