为什么相同的python代码有不同的时钟时间？答案

【问题标题】：why same python code has different clock time?为什么相同的python代码有不同的时钟时间？
【发布时间】：2019-01-31 17:38:20
【问题描述】：

我正在使用以下 python 代码对我的服务器进行基准测试：

import time
initial_clock = time.clock()
res = 0
for i in range(1, 10000000):
    res += i * i
print (time.clock() - initial_clock)

当我多次运行它时，我会得到不同的执行时间，从 2.163377 秒到 2.970836 秒。我知道由于 CPU 负载的变化，相同的代码可能具有不同的执行时间，但正如 time.clock 文档中所说，它只考虑当前进程时钟，因此即使使用 @987654327 不同，它也应该使用 time.clock() 具有相同的执行时间@。不应该吗？

还有没有我可以得到一段python代码的准确clock计数？

编辑：我使用 time.process_time() 并得到相同的结果。

【问题讨论】：

尝试使用timeit 而不是time，因为这样更准确。详情请查看this answer。

标签： python cpu-usage clock

【解决方案1】：

计时码第一条规则：使用timeit module。这会自动为您的操作系统选择最佳计时器，最大限度地减少其他影响，并进行多次计时，以便为您提供最准确的时间估计。

接下来，time.clock()不是特定于进程的。这是 CPU 上的时钟时间，是的，但不是当前进程使用 CPU 所花费的时间。计划在 CPU 上运行的其他进程会增加所用时间的波动。您应该改用time.process_time()。

但是，所有代码都受到潜在的缓存和特定于 Python 的周期性进程的影响，例如 garbage collector 运行。您不能期望得到可重复的 time.clock() 或 time.process_time() 值，因为该时钟无法解释 Python 进程本身中的此类后台工作。您可以在计时代码时禁用垃圾收集器进程（timeit 为您执行此操作），但这对内部缓存没有帮助（特定于实现且大多数未记录）。

timeit 使用time.perf_counter() 包括花费在 I/O 和其他可能由被测代码启动的进程上的时间。你可以告诉它使用time.process_time()，而不是在使用timeit作为命令行脚本时使用-p开关，或者在调用API函数时传递timer=time.process_time。

【讨论】：