逐行基准测试Python Numpy程序：寻求可逐行统计代码耗时的性能分析工具

你不需要为每一行代码单独编写%timeit语句拆分耗时，有成熟的第三方工具可以直接输出逐行维度的运行时长统计，完全匹配你提到的逐行展示效果。

常用适配工具 #

• line_profiler
  这是最贴合你需求的逐行性能剖析库，核心能力是逐行统计代码块的运行耗时、调用次数、单步耗时占比，完全不需要侵入式给每一行加计时逻辑。
  使用时只需要给待统计的函数加上@profile装饰器，通过配套命令运行脚本，就会自动输出结构化的逐行耗时表格。你提供的Numpy示例代码可以直接套用这套流程：不用改动原有循环逻辑，就能拆分出循环内np.sum计算、数组元素乘法、列表追加三个步骤各自的实际耗时，直观定位哪一行是性能瓶颈。
• IPython/Jupyter 环境适配方案
  如果你习惯在Notebook环境下跑测试，装完line_profiler之后不需要切换到命令行，直接用%lprun魔法命令就可以触发逐行统计，完全适配你现在用%%time的使用习惯：只要指定要统计的目标函数，直接运行原有代码段就能拿到逐行的耗时拆解结果，省去手动逐行测试的麻烦。

示例代码的注意点 #

你贴的测试代码有一处小笔误：仅导入了numpy的random模块，没有全局导入numpy，实际运行时np.sum会触发名称未定义的报错，把导入语句调整为import numpy as np、from numpy import random即可正常开展测试。用逐行工具跑的时候你会直观发现，循环内部重复计算的np.sum(Number_array)和len(Number_array)是冗余的耗时来源，把这两个值提取到循环外部只计算一次，就能大幅缩短整体运行时间。

内容的提问来源于stack exchange，提问作者ege Selcuk