Python time 模块从时间表示到时间转化的深度解析

import time

import time
# 获取当前时间戳
current_timestamp = time.time()
print(f"当前时间戳：{current_timestamp}")
# 输出：当前时间戳：1715781045.123456

import time
# 获取当前本地时间的结构化时间
local_time = time.localtime()
print(f"当前本地时间的结构化时间：{local_time}")
# 输出：当前本地时间的结构化时间：time.struct_time(tm_year=2024, tm_mon=5, tm_mday=15, tm_hour=14, tm_min=30, tm_sec=45, tm_wday=2, tm_yday=136, tm_isdst=0)

import time
# 获取当前UTC时间的结构化时间
utc_time = time.gmtime()
print(f"当前UTC时间的结构化时间：{utc_time}")
# 输出：当前UTC时间的结构化时间：time.struct_time(tm_year=2024, tm_mon=5, tm_mday=15, tm_hour=6, tm_min=30, tm_sec=45, tm_wday=2, tm_yday=136, tm_isdst=0)

import time
# 将当前本地时间转化为字符串时间
formatted_time = time.strftime("%Y-%m-%d %H:%M:%S")
print(f"当前时间：{formatted_time}")
# 输出：当前时间：2024-05-15 14:30:45
# 将指定的结构化时间转化为字符串时间
struct_time = time.struct_time(tm_year=2024, tm_mon=5, tm_mday=15, tm_hour=14, tm_min=30, tm_sec=45, tm_wday=2, tm_yday=136, tm_isdst=0)
formatted_time = time.strftime("%B %d, %Y %I:%M:%S %p", struct_time)
print(f"格式化时间：{formatted_time}")
# 输出：格式化时间：May 15, 2024 02:30:45 PM

import time
# 将字符串时间转化为结构化时间
string_time = "2024-05-15 14:30:45"
struct_time = time.strptime(string_time, "%Y-%m-%d %H:%M:%S")
print(f"结构化时间：{struct_time}")
# 输出：结构化时间：time.struct_time(tm_year=2024, tm_mon=5, tm_mday=15, tm_hour=14, tm_min=30, tm_sec=45, tm_wday=2, tm_yday=136, tm_isdst=-1)

import time
# 将当前本地时间转化为可读性强的字符串时间
asctime = time.asctime()
print(f"当前时间：{asctime}")
# 输出：当前时间：Wed May 15 14:30:45 2024

import time
# 将当前时间戳转化为可读性强的字符串时间
ctime = time.ctime()
print(f"当前时间：{ctime}")
# 输出：当前时间：Wed May 15 14:30:45 2024

import time
print("开始执行")
time.sleep(2)  # 休眠2秒
print("执行结束")
# 输出：开始执行
# 等待2秒后输出：执行结束

import time
# 记录开始时间
start_time = time.process_time()
# 执行一段耗时的代码
sum = 0
for i in range(1000000):
    sum += i
# 记录结束时间
end_time = time.process_time()
# 计算耗时
elapsed_time = end_time - start_time
print(f"耗时：{elapsed_time}秒")
# 输出：耗时：0.015625秒

import time
# 记录开始时间
start_time = time.perf_counter()
# 执行一段耗时的代码
time.sleep(0.5)
# 记录结束时间
end_time = time.perf_counter()
# 计算耗时
elapsed_time = end_time - start_time
print(f"耗时：{elapsed_time}秒")
# 输出：耗时：0.500123456秒

import time
# 获取当前时间的纳秒时间戳
time_ns = time.time_ns()
print(f"当前纳秒时间戳：{time_ns}")
# 输出：当前纳秒时间戳：1715781045123456789

import time
# 获取当前时间戳
timestamp = time.time()
# 转化为格式化的字符串时间
formatted_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(timestamp))
print(f"时间戳 {timestamp} 转化为字符串时间：{formatted_time}")

import time
# 字符串时间
string_time = "2024-05-15 14:30:45"
# 转化为结构化时间
struct_time = time.strptime(string_time, "%Y-%m-%d %H:%M:%S")
# 转化为时间戳
timestamp = time.mktime(struct_time)
print(f"字符串时间 {string_time} 转化为时间戳：{timestamp}")

import time
# 结构化时间
struct_time = time.struct_time(tm_year=2024, tm_mon=5, tm_mday=15, tm_hour=14, tm_min=30, tm_sec=45, tm_wday=2, tm_yday=136, tm_isdst=0)
# 转化为格式化的字符串时间
formatted_time = time.strftime("%B %d, %Y %I:%M:%S %p", struct_time)
print(f"结构化时间 {struct_time} 转化为字符串时间：{formatted_time}")

import time
# 记录开始时间
start_time = time.perf_counter()
# 执行一段耗时的代码
sum = 0
for i in range(10000000):
    sum += i
# 记录结束时间
end_time = time.perf_counter()
# 计算耗时
elapsed_time = end_time - start_time
print(f"程序执行时间：{elapsed_time}秒")

import time
def task():
    print(f"任务执行时间：{time.strftime('%Y-%m-%d %H:%M:%S')}")
# 每2秒执行一次任务
while True:
    task()
    time.sleep(2)

import time
# LLM对话历史
chat_history = []
def add_message(role, content):
    message = {
        "role": role,
        "content": content,
        "timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
    }
    chat_history.append(message)
# 添加对话
add_message("user", "什么是LLM？")
add_message("assistant", "LLM是大语言模型的缩写。")
# 打印对话历史
for message in chat_history:
    print(f"[{message['timestamp']}] {message['role']}: {message['content']}")
# 输出：
# [2024-05-15 14:30:45] user: 什么是LLM？
# [2024-05-15 14:30:45] assistant: LLM是大语言模型的缩写。

import time
import openai
from dotenv import load_dotenv
import os
# 加载API密钥
load_dotenv()
openai.api_key = os.getenv("OPENAI_API_KEY")
def call_llm(prompt):
    # 记录开始时间
    start_time = time.perf_counter()
    # 调用LLM API
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    # 记录结束时间
    end_time = time.perf_counter()
    # 计算响应时间
    response_time = end_time - start_time
    # 提取回答
    answer = response["choices"][0]["message"]["content"]
    return answer, response_time
# 测试
prompt = "什么是LLM？"
answer, response_time = call_llm(prompt)
print(f"回答：{answer}")
print(f"响应时间：{response_time}秒")