Python在所有系统上的执行时间不一致

一些让我对python着迷的东西。。。我以前以为是的，但我错了。我可以使用相同的代码并多次运行它，它的执行时间相差悬殊。以以下测试代码为例：

import math
def fib(count):
    x = 0
    while x < count:
        a = int(((((1 + math.sqrt(5)) / 2) ** x) - (((1 - math.sqrt(5)) / 2) ** (x))) / math.sqrt(5))
        x+=1

if __name__ == '__main__':  
    import timeit

    t = timeit.Timer("fib(1250)", setup="from __main__ import fib",)
    #print t.timeit(10)
    count = 10000
    results = t.repeat(count, 1)
    min = 0xFFFF
    max = 0
    sum = 0
    for i in results:
        i = i*1000.0
        if i < min: min = i
        if i > max: max = i
        sum+=i

    print "Min {:.3f} | Max {:.3f} | Max/Min {:.3f} | Avg {:.3f}".format(min, max, max/min, sum/count)

因此，Linux是最快的，但也有最多的变化。很多。但它们都有一个相当大的变化：Mac只有200%，但Windows为290%，linux为810%

---

执行的时间真的有那么长吗？它不够精确吗？我还缺什么吗？我在制作动画方面做了很多工作，我需要尽可能一致的时间。

你测量的时间非常短，然后哪怕是某个地方发生的一点点事情都会产生很大的影响

我在我的机器（OS X、Core i7、Python 2.7）上运行了您的测试脚本，并绘制了

结果图

：

您可以看到，大多数情况下，计时结果都非常一致，但也有一些单独的算法事件需要花费更多的时间（因为还有其他事情发生）

---

我对你的计时程序做了一个小小的调整：

results=t.repeat(10, 1000)

所以，现在我们正在计时1000个函数调用的运行。总时间是相同的，当然（10000次呼叫）：

现在您可以看到，性能更加可预测。这可能是你不稳定的时间安排的一部分是由于时间安排方法，而不是由于执行任何事情的时间不同。毫秒级计时在现实操作系统环境中很困难。即使你的电脑“什么都不做”，它仍然在切换任务，做后台工作，等等

---

我知道最初的目的不是计算斐波那契数。但如果是这样，那么选择正确的工具就会有所不同：

import numpy as np

def fib(count):
    x = np.arange(count)
    a = (((1 + np.sqrt(5))/2) ** x - ((1 - np.sqrt(5)) / 2) ** x) / np.sqrt(5)
    a = a.astype('int')

这使得：

Min 0.120 | Max 0.471 | Max/Min 3.928 | Avg 0.125

速度提高了十倍

---

关于此答案中的图像，它们是用

matplotlib

绘制的。第一个是这样做的：

import matplotlib.pyplot as plt

# create a figure
fig = plt.figure()
# create axes into the figure
ax = fig.add_subplot(111)
# plot the vector results with dots of size 2 (points) and semi-transparent blue color
ax.plot(results, '.', c=(0, 0, 1, .5), markersize=2)

---

请参阅

matplotlib

的文档。通过使用

IPython

和

pylab

我做了一个类似于@drV的图（给他投票，他是第一个！）-区别在于我对结果进行了排序，这样你就可以看到趋势线。这意味着，即使最大值很高，平均值也很低，因此在最后会有一些异常值

我使用pylab只是在底部添加了以下内容：

from pylab import *
results.sort()
plot(range(len(results)),results)
show()

---

根据计时器和您的实现，测量的时间可能会受到系统上运行的其他进程的影响。这对于挂钟计时器来说尤其如此。请参阅。。。这就是我所想的（实际执行时间是相当恒定的），但是测量的时间在变化的程度上是相当一致的。你将时间乘以1000。为此，请重复代码，使一个测试运行接近1秒。@Adam Haile-可能想检查一下：@AdamHaile:Python可能会很慢，也可能不会很慢，这实际上取决于您的代码和库。如果你在计算东西，使用NumPy可能会有很大的不同。Python本身不适合数字重载。另一方面，Python非常擅长处理复杂的数据结构（dict、set、list）。。。你是怎么做到的？所以，嗯。。。也许我是对的，我习惯于时间的一致性的原因是我在一个Raspberry Pi上运行，没有UI，几乎没有运行任何服务。我的python获得了90%以上的CPU…足够公平了。。。我觉得情况就是这样，一次只跑一次并不是最好的方式。我遇到的问题是，我试图为动画生成帧，并提供一致的帧速率。因此，单帧步长中的任何变化都可能使其抖动。唯一的解决办法似乎是将帧时间限制为大于最大生成时间的时间。“它很平滑，但速度较慢。”亚当海尔：如果你观察长距离跑步的百分比变化，它是很小的。很容易获得一位数的毫秒延迟，但十毫秒延迟已经是一个很长的延迟了。所以，说到底，你不会因为你的动画而陷入麻烦。但是，如果你能事先计算一下你的动画，你可能会考虑有几个帧的缓冲区。当动画代码运行时，为每帧计算的开始和结束计时实际的挂钟时间戳。然后，您将看到是否存在与操作系统相关的额外延迟。

timeit.Timer

还接受一个“number”参数，以快速计算X次迭代的单次运行时间

timed\u execution=timeit.Timer（“fib（1250）”，setup=“from\uu main\uuuuu import fib”，number=1000）

A definite+1用于显示分布的良好方式！（使用pylab import*接口的

时，可能需要a-.01）
from pylab import *
results.sort()
plot(range(len(results)),results)
show()