应使用 time.perf_counter() 测量时间间隔，因其单调、高分辨率、跨平台且不受系统时钟调整影响；time.time() 易受 ntp 调整导致负值，time.clock() 已弃用且平台行为不一。
直接用 time.perf_counter() 就行，它返回的是单调、高分辨率的浮点秒数，专为测量时间间隔设计，不受系统时钟调整影响。
为什么不用 time.time() 或 time.clock()？
time.time() 返回的是系统挂钟时间（UTC），可能因 NTP 同步或手动调时跳变，导致测出负值或异常大值；time.clock() 在 Python 3.3+ 已被弃用，且在不同平台语义不一致（Windows 返回进程 CPU 时间，Unix 返回进程时间）。而 perf_counter() 是唯一跨平台、单调、精度通常达纳秒级的计时器。
常见错误现象：
– 程序跑完发现耗时为 -0.000123（time.time() 被系统回拨）
– 多次运行同一段代码，耗时波动剧烈且无规律（混用了 time.process_time()，它只算 CPU 时间，忽略 I/O 等待）
perf_counter() 的基本用法和关键细节
调用两次 perf_counter()，相减即得经过时间。注意：它不保证绝对零点，只保证差值有意义。
- 必须成对调用：一次在开始前，一次在结束后，中间不要被中断或 sleep 干扰（除非你就是要测含等待的总耗时）
- 返回值单位恒为秒，类型是
float，精度取决于系统（Linux/Windows 通常 10–100 纳秒） - 不能用于比较两个不同进程的时间戳，也不能用于生成“当前时刻”，仅用于同一进程内的时间差
- 示例：
import time<br>t0 = time.perf_counter()<br># 你的代码<br>result = sum(range(10**6))<br>t1 = time.perf_counter()<br>print(f"耗时: {t1 - t0:.6f} 秒")
需要重复测量时，别手动写循环——用 timeit 模块
单次测量受系统噪声干扰大（如 GC、调度延迟），真实性能评估需多次运行取最小值或中位数。自己写 for 循环容易漏掉 setup 开销、没禁用 GC，反而引入偏差。
- 简单场景直接用命令行：
python -m timeit -s "import math" "math.sqrt(12345)" - 代码内集成：用
timeit.timeit()，显式传入setup和number，避免把 import 或初始化计入耗时 - 若必须手写循环，请在循环外调用
gc.disable()，测完再gc.enable()，否则 GC 触发会污染结果 - 注意：
timeit默认使用perf_counter()，无需额外指定
在异步或并发环境中要小心上下文切换
perf_counter() 本身线程安全，但如果你在 asyncio 任务里用它测单个 await 表达式，实际测的是“从 await 开始到协程恢复”的总耗时，包含事件循环调度开销，不是纯函数执行时间。
- 测同步函数就老老实实用
perf_counter() - 测 async 函数：用
asyncio.run()包裹后测，或在事件循环内用loop.time()（它底层也基于perf_counter()，但更轻量） - 多线程下每个线程可独立使用
perf_counter()，但不要拿不同线程的时间戳做减法——它们虽同源，但无法保证严格可比
真正难的不是调用函数，而是搞清你到底想测什么：是 CPU 执行时间？端到端响应延迟？还是含磁盘 I/O 的完整流程？选错目标，再高的精度也没意义。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
