使用time.clock()与timeit测试Numba效率差异及vectorize()适用性咨询

你好！看到你在测试Numba和Numpy的执行效率时遇到了time.clock()和timeit结果矛盾的问题，还在纠结vectorize()的使用合理性，我来帮你拆解清楚：

为什么time.clock()会给出错误结果？ #

首先要划重点：time.clock()在Python 3.3之后已经被弃用了，它的计时逻辑在不同操作系统上表现不一致——Windows下统计的是进程CPU时间，Unix/Linux下则是线程CPU时间，而且它完全没考虑Numba JIT函数的「首次编译开销」。

Numba的JIT函数是惰性编译的：第一次调用时才会把Python代码编译成机器码，这个过程会消耗额外时间。如果你的time.clock()测试只运行了一次函数，那你测到的其实是「编译+执行」的总时间，自然会比纯Numpy函数慢。而timeit默认会多次运行目标代码，能把首次编译的开销平均掉，所以得到的才是真实的执行效率。

vectorize()的使用完全合理！ #

numba.vectorize()就是为了把标量函数转换成能高效处理Numpy数组的向量化函数而生的，它完美适配Numpy的广播机制，生成的代码会直接操作底层数组内存，性能通常比纯Numpy或者普通的@jit装饰器更好——尤其是当你的函数逻辑比较复杂，Numpy无法用内置操作组合出最优实现时，vectorize()的优势会非常明显。

优化你的测试方案 #

给你几个实用的测试建议，能帮你得到准确的结果：

• 弃用time.clock()：改用Python 3推荐的time.perf_counter()（测墙钟时间）或time.process_time()（测CPU时间），这两个函数的行为在全平台一致。
• 预热JIT函数：正式计时前先调用一次Numba函数，完成编译，比如：

  nb_func(arr)  # 预热，触发编译
  start = time.perf_counter()
  nb_func(arr)
  end = time.perf_counter()
  print(f"执行时间：{end - start:.6f}秒")
  

• 优先用timeit：它会自动处理多次运行、预热等细节，结果更稳定。比如可以这样编写测试代码：

  import numpy as np
  from numba import vectorize
  import timeit
  
  # 定义Numba向量化函数
  @vectorize(['float64(float64)'])
  def nb_np_func(x):
      return x * np.sin(x) + np.cos(x)
  
  # 生成测试数组
  test_arr = np.random.rand(1_000_000)
  
  # 测试Numba版本
  nb_time = timeit.timeit(lambda: nb_np_func(test_arr), number=100)
  # 测试纯Numpy版本
  np_time = timeit.timeit(lambda: test_arr * np.sin(test_arr) + np.cos(test_arr), number=100)
  
  print(f"Numba版本总耗时：{nb_time:.4f}秒")
  print(f"纯Numpy版本总耗时：{np_time:.4f}秒")
  

按照这个方案测试，你应该能看到Numba版本的执行效率明显优于纯Numpy——毕竟Numba直接生成了针对你的CPU优化的机器码，避免了Numpy在某些场景下的中间数组开销。

内容的提问来源于stack exchange，提问作者IgorPy