Question

有时候，我喜欢花时间运行部分代码。我已经检查了很多在线网站，并且已经看到了两种主要方法。一个使用time.time，另一个使用timeit.timeit。

所以，我写了一个非常简单的脚本来比较两者：

from timeit import timeit
from time import time
start = time()
for i in range(100): print('ABC')
print(time()-start, timeit("for i in range(100): print('ABC')", number=1))

基本上，它计算在for循环中打印“ABC”100次所需的时间。左侧的数字是time.time的结果，右侧的数字是timeit.timeit的结果：

# First run
0.0 0.012654680972022981
# Second run
0.031000137329101562 0.012747430190149865
# Another run
0.0 0.011262325239660349
# Another run
0.016000032424926758 0.012740166697164025
# Another run
0.016000032424926758 0.0440628627381413

正如您所看到的，有时候，time.time更快，有时速度更慢。哪种方式更好（更准确）？

Answer 1

timeit更准确，原因有三：

它会多次重复测试，以消除其他任务对您的计算机的影响，例如磁盘刷新和操作系统调度。
它会禁用垃圾收集器，以防止该进程通过在不合适的时刻安排集合运行来扭曲结果。
为您的操作系统选择最准确的计时器，在Python 2中选择time.time或time.clock，在Python 3上选择time.perf_counter()。请参阅timeit.default_timer。

Answer 2

在任何给定时间，许多进程都使用并共享中央处理器（CPU）。使用time.time进行的测量与我们所说的壁钟有关。这意味着结果取决于执行测试时正在运行的其他进程。因此，在许多情况下，time.time产生的结果不太准确。

对于Python 2.x，可以使用time.clock，对于Python 3.X，可以使用time.process_time()或time.perf_counter()来生成更可靠的结果，它可以测量代码执行期间使用的CPU周期但是，即使这种方法在很大程度上也取决于您要执行测试的特定计算机。例如，如果测试是在不同的机器上执行的，则结果可能会有很大的不同（即使算法和输入数据都完全相同）

timeit.timeit是一个高级库，与time.time和time.clock相比，它更准确，更可靠，因为它考虑了造成代码执行和试验之间差异的因素，只需重复执行测试即可产生更可靠和准确的结果。+

time.time vs. timeit.timeit

2 个答案: