当你需要精确衡量一小段代码的执行时间，而不是整个程序的运行耗时，timeit 模块就是最趁手的工具。它专门用于“微基准测试”，会自动处理垃圾回收干扰、多次运行取平均等细节，让你拿到的不是一个偶然的数值。
为什么不用简单的 time？
直接用 time.time() 计时，会受系统负载、CPU 调度、Python 垃圾回收等多种噪声影响，单次测量往往不可靠。timeit 会默认执行上百万次（或指定次数的循环），并多次重复试验来得到一个稳定的统计结果，同时还会自动关闭垃圾回收，确保测量的纯粹性。
两种使用方式
- 命令行方式：用于临时测试一段简短语句
python -m timeit "'-'.join(str(n) for n in range(100))"
输出示例：10000 loops, best of 5: 22.3 usec per loop
含义：做了多次测试，每次测试会执行过万次目标语句，最终给出最佳的一次平均耗时。
- Python 接口：更适合在脚本里测试特定函数或逻辑
import timeit
def loop_concat():
result = ''
for i in range(1000):
result += str(i)
return result
# 用 timeit.Timer 封装待测代码，timeit 会自动选择重复次数
t = timeit.Timer(loop_concat)
print(t.timeit(number=1000)) # 执行 1000 次，返回总耗时
实用要点
- 只测你想测的部分：计时语句里不要包含无关的 I/O、网络操作，否则测量的是噪声而非算法耗时。
- 对比不同写法时控制变量：确保它们作用于相同规模的数据，不然比较毫无意义。
- 别过度依赖绝对数值：同一份代码在不同机器上耗时可能差好几倍，重点是比较同一环境下两种方案谁的相对耗时更短。
- 小心死代码优化：
timeit可能会因为代码结果未被使用而被优化掉。可以在语句前加-s设置环境变量，或确保返回一个有意义的值，避免解释器跳过执行。
常见用法示例
- 比较字符串拼接方式：
python -m timeit "s = ''" "for i in range(1000): s += str(i)"
python -m timeit "lst = [str(i) for i in range(1000)]; ''.join(lst)"
输出会清楚显示 join 比循环拼接快得多。
- 测试列表推导与
map的性能：
python -m timeit "[x**2 for x in range(100)]"
python -m timeit "list(map(lambda x: x**2, range(100)))"
timeit 解决的问题很聚焦：让你对一段代码的性能有一个真实、可复现的认知，而不是靠直觉猜测。在实际做性能调优时，先用它找出现象、确认瓶颈，再用 profiler 深入分析具体的位置和调用关系，是最常见的流程。