深入理解IPyton以及Jupyter Notebook中的%time以及%timeit的作用

文章目录

背景
time
timeit

背景

看了一些人的，他们要么例子定义得太复杂要么没有说清楚。

所以我们举两个简单的例子分别感受一下这两个函数（magic function)，然后说一下我自己的理解，这样可以让你知道来龙去脉，有错误欢迎指出。

我们打开jupyter notebook。

time

先定义如下一个变量，

n = 1000000

然后执行下面的代码。

%time sum(range(n))

结果：

可以看到，显示的是wall time，很多童鞋不知道这个东西是什么，解释如下：

In practical computing, wall time is the actual time, usually measured in seconds, that a program takes to run or to execute its assigned tasks.

wall time的来源是因为以前有一种钟表叫做wall clock，挂钟，因而得名。

有一个问题，为什么不直接这样测试程序运行时间呢？如下：

import time
n = 1000000
t1=time.time()
sum(range(n))
t2=time.time()
print("总用时:",t2-t1)

可以发现，0.02s，也就是200ms，比上面多得多。这是为什么呢？

因为计算机并不止在执行你这个python程序，现在的操作系统大多都是多任务处理系统，其需要时分复用，并行处理其他程序，因而你的这个程序执行了一小会就可能会停下来（挂起），然后执行其他程序。而wall time的好处就在于就只统计了这一个python程序的运行时间，不会包括挂起等待时间。

timeit

先定义如下一个变量

a=1

然后执行如下代码：

%timeit a==1

首先，不看结果，我们应该可以猜到，执行a==1速度是非常快的，会在纳秒级别。

结果如下：

29.3ns。

解释，这个命令的运行过程如下（伪代码）：

#时间列表=[]
for i in range(7):for j in range(10000000):a==1#10000000个loop的总运行时间为t,tt=t/10000000,即得到了一次loop的运行时间。#时间列表.append(tt)
#计算时间列表的均值和方差，于是得到上面的29.3 ns ± 0.389 ns

当然了，实际运行中是没有for循环的，众所周知python的for循环会比较慢，%timeit应该是优化版本的。上面我只是打个比方，让你看清楚%timeit是如何工作的。

因此，叫做7 runs,每一个run 执行10000000次循环。

补充：

这个7 runs是默认的7次，但是10000000次循环这个不是默认的，ipython会根据你后面测试的那个程序自我调节，有的时候你会看到是100万，有的时候10万，有的时候10000万。

不过不用担心，这两个参数都是你可以自己设置的，如下：

%timeit -r 5 -n 10000 a==1

参考：https://ipython.readthedocs.io/en/stable/interactive/magics.html

完结撒花