ipython / 关于 %timeit 循环过程的问题

Question

这是我在 Google Colab 中的代码：

myArray=[]

然后

%%timeit -n 2
myArray.append("1")

结果给出：

我不太明白（我期望myArray只有两个值）

Answer 1

Timeit 有两个参数可以用来告诉它代码应该运行多少次：数字（ -n ）和重复（ -r ）。

• repeat 告诉 timeit 它应该采取多少样本
• number 指定对每个样本重复代码的次数

现在，默认重复值为 5。因此，当数字为 2 且重复为 5 时，2*5=10，即代码实际运行的次数以及附加到列表中的元素的数量。

要解决此问题，您还应该使用-r指定重复参数。

编辑

对于您采集的每个样本 ( -r )，您还可以运行您可能已传递给 timeit 的设置代码。 另一方面，数字 ( -n ) 告诉 timeit 它应该为每个样本运行多少次代码。 您的代码仅在设置后执行n次，执行r次，每个样本执行一次。

从 timeit 文档中：

timeit.timeit(stmt='pass', setup='pass', timer=<default timer>, number=1000000, globals=None)

这是timeit函数签名。 如您所见，您可以传递一个setup参数来指定在示例中执行代码之前应运行的任何代码（将执行number ，相当于-n ）。

现在让我们将其与timeit.repeat函数进行比较：

timeit.repeat(stmt='pass', setup='pass', timer=<default timer>, repeat=5, number=1000000, globals=None)

如您所见，这里有一个额外的参数： repeat 。 请注意， repeat的默认值（相当于-r ）是 5，这就是为什么在示例中将 10 个元素附加到列表中的原因。

为什么要同时使用-r和-n ？

出于可比性原因，最好同时指定每个样本的运行次数以及要采集的样本。 在执行 Python 脚本时考虑每个示例：Python 必须加载脚本，执行一些初始设置，然后它才会运行您的代码。
您还可以将number ( -n ) 视为for循环中的迭代次数：在运行代码之前已经完成了设置。

这是使用timeit模块时发生的情况的简化的类似 Python 的伪代码表示：

def timeit(your_code, repeat, number, setup): 
    for r in range(repeat):
        perform_setup()
        for n in range(number):
            run(your_code)

希望这会有所帮助，干杯。

Answer 2

timeit有循环和运行。 您刚刚指定了每次运行的循环。

> In [80]: alist = []    
In [81]: %%timeit
    ...: alist.append(1)
    ...: 
    ...: 
146 ns ± 12.6 ns per loop (mean ± std. dev. of 7 runs, 10,000,000 loops each)

In [82]: len(alist)
Out[82]: 81111111

In [83]: alist=[]    
In [84]: %%timeit -n2 -r1
    ...: alist.append(1)
    ...: 
    ...: 
1.75 µs ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each)

In [85]: len(alist)
Out[85]: 2

In [86]: alist=[]    
In [87]: %%timeit -n2
    ...: alist.append(1)
    ...: 
    ...: 
993 ns ± 129 ns per loop (mean ± std. dev. of 7 runs, 2 loops each)

In [88]: len(alist)
Out[88]: 14

通常我会尝试设置一个 timeit，所以我不在乎“结果”是什么，因为我想要的是时间，而不是某种累积的列表或数组。

对于每次run的新列表：

In [89]: %%timeit -n2  -r10 alist=[]
    ...: alist.append(1)
    ...: 
    ...: 
The slowest run took 4.75 times longer than the fastest. This could mean that an intermediate result is being cached.
1.21 µs ± 889 ns per loop (mean ± std. dev. of 10 runs, 2 loops each)