time.time() 不适合性能基准测试，因其精度低、受系统干扰大；应使用 time.perf_counter()，配合多次运行、timeit 模块合理配置、控制输入变量、避免缓存效应，并优先选用 pytest-benchmark 等专业工具。
为什么 time.time() 不适合做 Python 性能基准
它精度低、受系统干扰大，尤其在函数执行快于毫秒级时，测出来经常是 0.0 或抖动剧烈，根本没法比。Windows 上默认只有 15ms 分辨率，Linux 虽好些，但依然混着进程调度、GC、CPU 频率缩放等噪声。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
time.perf_counter()—— 它专为性能测量设计，单调、高精度、不受系统时间调整影响 - 避免单次调用：哪怕函数很快，也要跑足够多轮（比如
range(1000)），再取平均或中位数 - 别在 Jupyter 或 IDE 的交互式环境里直接测：启动开销、缓存状态、后台线程都会污染结果
用 timeit 模块时的三个关键配置点
timeit 是标准库里最靠谱的轻量基准工具，但它默认行为容易误导人——比如自动重复 100 万次却不告诉你实际耗时是否稳定，或者把 setup 代码也计入耗时。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 显式指定
number和repeat：例如timeit.timeit(stmt, setup, number=10000, repeat=5)，然后取min(...)而非平均值（排除 GC 突发、缺页等毛刺） -
setup里只放真正前置依赖，别塞初始化逻辑：比如测试json.loads，setup只需"import json"，别把待解析字符串也放进去 - 命令行用法更干净：
python -m timeit -s "import re" "re.search('a+', 'aaaa')"，避免 shell 环境变量或 IDE 插件干扰
当你要对比两个算法，但它们有不同输入规模时
直接比“谁快 10ms”没意义。比如一个算法在小数据上快，大数据上慢，或者反过来。不控制变量，基准就只是个幻觉。
兴泰网络办公系统1.61
下载
基于 Internet 的 Web 技术，完全采用B/S 体系结构的网络办公系统。该系统具有安全性高、功能极为强大、可在广域网中使用也可在局域网中使用、也可以同时在局域网和广域网中使用的特点，全傻瓜式安装，无需作复杂配置，界面采用类似windows资源管理器的设计，结构清晰，条理分明，即使不熟悉电脑的人也可很快掌握全部操作。该系统通过在广域网内的广泛试用验证和经专业技术人员的调试、测试，确认具有很
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 固定输入生成逻辑：用
random.seed(42)+ 同一长度的list(range(n))或bytes(n)，确保每次 run 输入完全一致 - 做多组
n测试：比如n = [100, 1000, 10000]，画出时间随规模变化的趋势，看是 O(n) 还是 O(n²) - 警惕“缓存效应”：如果反复用同一对象（比如同一个
dict），第二次以后可能走 CPU 缓存路径；应每次新建输入，或用gc.collect()前置清理
为什么 pytest-benchmark 在项目里更可靠
手写 timeit 很快会失控：要管 warmup、统计分布、结果输出格式、跨机器可比性……而 pytest-benchmark 把这些都封装好了，且天然和测试流程集成。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 安装后直接写测试函数，用
benchmarkfixture 调用目标函数：result = benchmark(my_func, arg1, arg2) - 它默认做多次预热 + 多轮采样，并报告
mean、stddev、outliers，一眼看出稳定性 - 注意
benchmark.group参数：把同类函数（比如不同排序实现）归一组，报告时自动横向对比，避免手动算倍率
真实项目里，最常被忽略的是「冷启动偏差」：第一次运行总会慢一点，尤其是涉及 import、JIT（如 PyPy）、或首次内存分配。不管用什么工具，至少预热一轮再开始计时——这点没人帮你自动做。
