time.time与timeit.timeit

Question

有时，我喜欢计时运行部分代码需要多长时间。我已经查看了很多在线网站，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。

所以，我写了一个非常简单的脚本来比较这两者：

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"ABC“100次所需时间的倍数。左边的数字是time.time的结果，右边的数字是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，time.time有时更快，有时更慢。哪种方法更好(更准确)？

Answer 1

timeit更准确，原因有三：

• it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。
• it会禁用垃圾回收器，以防止该进程在不合适的时间安排收集运行而影响结果。
• it会为您的操作系统选择最精确的计时器，在Python2中为time.time或time.clock，在Python3中为time.perf_counter()。请参阅Python

Answer 2

在任何给定的时间，中央处理单元(CPU)被许多进程使用和共享。使用time.time进行的测量是相对于我们所说的挂钟的。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，time.time产生的结果并不是尽可能准确。

使用Python2.x的time.clock和Python3.x的time.process_time()或time.perf_counter()可以生成更可靠的结果，这些方法测量代码执行期间使用的CPU周期，但即使是这种方法，因为它在很大程度上依赖于执行测试的特定机器。例如，如果测试在不同的机器上执行，结果可能会有很大的不同(即使算法和输入数据完全相同)

timeit.timeit是一个高级的库，与time.time和time.clock相比，它更准确、更可靠，因为它通过简单地重复执行测试来生成更可靠和准确的results.+，从而考虑了导致代码执行和试验之间差异的因素