如何在Python中精准测量牛顿迭代法的微小耗时？

刚接触编程就折腾数值计算的性能分析，已经超棒啦！你的问题其实很典型：单次牛顿迭代循环的耗时实在太短——现代CPU执行这么几行代码可能只需要几纳秒，而普通计时方法的精度跟不上，所以测出来全是0。咱们可以从两个方向解决这个问题：

核心思路：放大测量窗口 #

单次执行的时间太短捕捉不到？那咱们就把同一个计算重复成千上万次，用总耗时除以次数，得到更准确的单次平均耗时。这是性能测试里常用的技巧，能有效抵消系统时钟精度的限制。

具体修改方案 #

结合Python推荐的高精度计时函数time.perf_counter()（它的精度比time.time()、process_time()更高，专门用于短时间测量），再加上多次重复测试，就能得到靠谱的结果了。

这里是修改后的代码示例，你可以直接套用：

import math
import time

# 定义函数
def f(x):
    return x**2 - 4

# 定义导数
def fderiv(x):
    return 2*x

# 牛顿迭代公式
def Newton(x):
    return (x - f(x)/fderiv(x))

# 目标零点
zero = 2
# 重复测试次数（可根据实际情况调整，比如10000/100000）
num_runs = 10000

# 遍历不同起始点
for n in range(-100, 100):
    start = zero + n/100
    current = start
    difference = abs(current - zero)
    
    # 先验证当前起始点是否能正常收敛（避免重复测试时报错）
    try:
        temp_current = start
        temp_diff = abs(temp_current - zero)
        while temp_diff > 0.00001:
            temp_current = Newton(temp_current)
            temp_diff = abs(temp_current - zero)
        
        # 开始多次重复计时
        start_time = time.perf_counter()
        for _ in range(num_runs):
            current = start
            diff = abs(current - zero)
            while diff > 0.00001:
                current = Newton(current)
                diff = abs(current - zero)
        total_time = time.perf_counter() - start_time
        # 计算单次平均耗时
        avg_time = total_time / num_runs
        print(f"{start}: 平均耗时: %.12f" % avg_time)
    except:
        print(f"{start}: Error")

为什么之前的方法没效果？ #

1. 单次耗时太短：哪怕用time.time_ns()，单次牛顿循环的时间可能比系统时钟的最小间隔还小，所以测出来的差值是0。多次重复后，总耗时足够长，就能被准确捕捉了。
2. 选对计时函数：time.perf_counter()是Python官方推荐的性能测量工具，它会自动忽略系统休眠时间，专注于程序实际运行的CPU时间，精度比time.time()高得多。

额外小建议 #

• 可以灵活调整num_runs的数值：如果平均耗时还是太小，就把次数调大（比如100000）；如果总耗时太长，就适当调小。
• 你的起始点范围是1到3，不会碰到导数为0的情况，但try-except保留下来仍然很有必要，能应对迭代过程中可能出现的意外错误。

备注：内容来源于stack exchange，提问作者3005736