• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Medir el tiempo de ejecución en Node

septiembre 16, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

A la hora de optimizar el código una de las tareas más importantes es saber cuánto tiempo tarda cada una de las subrutinas. Para así poder localizar el trabajo en las áreas críticas. Lo que se puede hacer con las herramientas de profiling, aunque en los casos más sencillos solamente comparar dos posibles implementaciones de un proceso. En esta entrada vamos a explicar cómo medir el tiempo de ejecución en Node.

Uso del método Date

Posiblemente el método más sencillo para medir el tiempo de ejecución en Node es Date. Con el que se puede obtener la fecha del reloj con milisegundos de precisión. Así obteniendo la fecha antes y después de una tarea se puede estimar cuánto tiempo ha llevado esta. Algo que se haría de la siguiente manera.

const start = new Date();
// El código a medir

const end = new Date() - start;
console.log(`Tiempo de ejecución ${end} ms`);

Para comprobar que este método funciona correctamente se puede ejecutar la segunda parte del código con setTimeout. Una función con la que se puede retrasar la ejecución del código un tiempo indicado en milisegundos. Por ejemplo, en el siguiente código el tiempo se vuelve a obtener tras haber transcurrido un segundo.

const start = new Date();

setTimeout(() =>{
	const end = new Date() - start;
	console.info(`Tiempo de ejecución ${end} ms`);
}, 1000);

Lo que produce como resultado Tiempo de ejecución 1004 ms. Lo que nos indica que solamente hay una desviación de cuatro milisegundos por el hecho de obtener la hora inicial y final. Aunque cada vez que se ejecute el resultado puede cambiar ligeramente.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

Uso de process.hrtime()

El método de medida anterior se basa en Date, un recurso de la librería estándar de JavaScript. Por lo que se puede usar también en el navegador. Pero si estamos en Node existe un forma mejor de obtener el tiempo de ejecución, la función process.hrtime().

La función process.hrtime() devuelve el tiempo con precisión de nanosegundos en un vector de dos elementos [segundos, nanosegundos]. Lo que supone una precisión varios órdenes de magnitud respecto a lo que puede ofrecer Date. Además, la función ya calcula la diferencia de tiempo entre dos llamadas.

Así se puede repetir el proceso anterior con la función process.hrtime() mediante el siguiente código.

const start = process.hrtime();

setTimeout(() =>{
	const end = process.hrtime(start);
	console.info(`Tiempo de ejecución ${end[0]} s y ${end[1]/1000000} ms`);
}, 1000);

Lo que da como resultado Tiempo de ejecución 1 s y 1.994784ms. Un resultado más preciso que el caso anterior. Lo que permite medir mejor el tiempo en proceso rápidos, al no ser necesario repetir varias veces el proceso.

A pesar de ello, no debemos olvidar medir varias veces el mismo proceso para evitar que el estado del sistema puede afectar a las conclusiones de las medidas.

Publicidad


Conclusiones

Algo que hemos aprendido en esta entrada es que la función process.hrtime() permite medir el tiempo de ejecución en Node de una manera más precisa que Date. Lo que puede ser de ayuda cuando el tiempo de ejecución de los procesos que medimos es pequeño. Evitando tener que repetir estos para llegar a un valor más preciso.

Esto no evita tener que repetir las medidas varias veces para evitar que otros procesos en el sistema interfiera en los resultados.

Imagen de nile en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática

Publicado en: JavaScript Etiquetado como: Node

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Calcular la similitud de Jaccard en Python publicado el enero 19, 2024 | en Ciencia de datos
  • El método de las aproximaciones sucesivas e implementación en Python publicado el marzo 10, 2023 | en Ciencia de datos
  • Conectar máquinas VirtualBox entre sí y con el resto de la red publicado el noviembre 3, 2023 | en Herramientas
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto