Python timeit 的常见误用总结
timeit.timeit() 的 setup 参数用于前置初始化，避免将 import 或变量赋值开销计入测试；应将依赖全放 setup，stmt 仅留待测语句；作用域隔离需注意，命令行用 -s 预定义；优先用 repeat 取最小值而非平均值；timeit 仅适合纯 cpu 计算场景。
timeit.timeit() 的 setup 参数为什么总被忽略
很多人直接把测试代码塞进 stmt，却忘了初始化变量或导入模块——结果测的不是函数执行时间，而是 import 或赋值开销。比如测 json.loads() 却没提前定义好字符串，每次调用都重新生成，setup 就是干这个的。
实操建议：
Python v2.4 中文手册 chm
Python v2.4版chm格式的中文手册，内容丰富全面，不但是一本手册，你完全可以把她作为一本Python的入门教程，教你如何使用Python解释器、流程控制、数据结构、模板、输入和输出、错误和异常、类和标准库详解等方面的知识技巧。同时后附的手册可以方便你的查询。
下载
-
setup里放所有前置依赖：导入、变量定义、对象构造 - 避免在
stmt里写import json或s = '{"a": 1}'，它们该进setup - 如果用字符串形式调用，
setup和stmt是独立作用域，不能共享变量名（除非用globals）
错误示例：
timeit.timeit('json.loads(s)', number=100000)
——s 和 json 都未定义，会报 NameError。
用 timeit.repeat() 而不是多次调用 timeit.timeit()
单次 timeit.timeit() 结果波动大，尤其在有 GC、CPU 频率调节、后台进程干扰时。这不是精度问题，是测量方法本身不可靠。
实操建议：
- 默认用
timeit.repeat(repeat=5, number=100000)，取返回列表最小值（排除抖动峰值） - 别手动循环调用
timeit.timeit()五次再求平均——平均值会掩盖异常延迟，最小值才反映真实下限 -
repeat比number更影响稳定性：增大number只是延长单次运行，但repeat是真正重启计时上下文
命令行 timeit 怎么传带参数的函数
命令行模式不支持闭包或局部变量，想测 functools.partial 或带默认参数的函数，容易卡在语法或作用域上。
实操建议：
- 用
-s（setup）预定义函数和参数：python -m timeit -s "from functools import partial; from math import sqrt; f = partial(sqrt, 123)" "f()"
- 避免在命令行 stmt 中写 lambda 或内联表达式（如
"(lambda x: x**2)(5)"），编译开销混入结果 - 如果函数需要模块级状态（如缓存），命令行模式很难模拟，优先改用脚本内调用
timeit 测的是纯 CPU 时间，不代表真实场景性能
timeit 默认关闭 GC、禁用线程切换、反复执行同一段代码——这跟 Web 请求、文件读写、数据库查询等 I/O 密集型场景完全脱节。
实操建议：
- 测 I/O 操作（如
open()、requests.get()）基本没意义：网络延迟、磁盘缓存、连接复用都会让结果失真 - 对含
print()、logging、time.sleep()的代码，timeit测出的只是“触发开销”，不是实际耗时 - 真正要对比算法性能？确保两者都纯计算、无副作用、输入规模一致；否则不如用
cProfile看真实调用栈
最容易被忽略的一点：timeit 的 number 不是“执行次数”而是“语句重复执行次数”，它不展开函数内部逻辑——你看到快，可能只是因为函数体短，而不是算法优。