Python time.time vs.timeit.timeit

有时，我喜欢计算部分代码运行所需的时间。我查阅了很多在线网站，大体上看到了两种主要的方法。一个是使用

time.time

，另一个是使用

timeit.timeit

因此，我编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，它是在for循环中打印100次“ABC”所需时间的倍。左边的数字是

time.time

的结果，右边的数字是

timeit.timeit

：

# 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

---

正如你所看到的，有时时间更快，有时更慢。哪种方法更准确？

timeit

更准确，原因有三：

• 它会多次重复测试，以消除计算机上其他任务（如磁盘刷新和操作系统调度）的影响
• 它禁用垃圾收集器，通过在不合适的时刻安排收集运行来防止该进程扭曲结果
• 它为您的操作系统选择最精确的计时器，即Python 2中和Python 3中的

  time.time

  或

  time.clock

  。看

---

在任何给定时间，中央处理器（CPU）都被许多进程使用和共享。使用的测量是相对于我们所说的挂钟。这意味着结果依赖于执行测试时正在运行的其他进程。因此，在许多情况下，所产生的结果并不尽可能准确

使用Python2.x和或Python3.x可以生成更可靠的结果，它们测量代码执行期间使用的CPU周期，但即使是这种方法，因为它严重依赖于执行测试的特定机器。例如，如果在不同的机器上执行测试，结果可能会大不相同（即使算法和输入数据都完全相同）

---

---

是一个先进的库，与之相比，它更准确、更可靠，因为它考虑了造成代码执行和测试之间差异的因素，通过简单地重复执行测试，以产生更可靠和准确的结果。+

timeit

是对代码块计时的更好选择。它使用

time.time（）

（

time.clock（）

用于Windows）并禁用垃圾收集器。另外，一次试用也是不够的。@Blender:

timeit

在Python 3.3+@J.F.Sebastian中使用

time.perf\u counter

。谢谢，我不知道。如果你明确地做了这三件事，你会得到和timeit一样准确的结果吗？我的用例是用不同的输入运行许多测试，所以我想省去timeit可能更容易。@Annan:为什么要重新发明这个轮子？我确信，只要您理解重复运行某些东西意味着什么，无论您能想出什么用例，都可以由

timeit

提供。有一些较小的小技巧

timeit

使用（例如使用

itertools.repeat（无，repeatiationcount）

用于低摩擦重复范围）如果你想像

timeit

那样“准确”，你也必须复制它。@MartijnPieters:我想知道

%timeit

是否是

timeit

的内置魔法命令，那么

%time

怎么样。当我们使用

time.clock（）

时，

%time

是否相同（将2 time.clock放在代码的开头和结尾，并计算时间差）。我在这里读过，但没有足够的信息。Thanks@Catbuilts：这是一个，但不多。@amsquareb:安装程序块只运行一次，让您为重复测试创建正确的对象（上下文）。