调用profile()运行代码遇ValueError: math domain error求助

看起来你遇到的问题确实是math.log()传入了非正数导致的——对数函数的定义域只包含正数，当你的代码运行速度太快时，time.time() - start_time可能会返回0（甚至在部分系统上因为时钟精度问题出现极小负数），这时候就触发了ValueError。朋友那边能正常运行，大概率是他的系统时钟精度更高，或者CPU性能差异让时间差不会落到0值。

下面给你几个可行的解决思路，按从简单到严谨的顺序排列：

1. 给时间差加兜底的极小值 #

这是最快解决报错的方法，直接保证传入math.log()的数值是正数。你可以在调用方法后处理，或者修改方法的返回值：

比如修改append的代码：

time_method_in.append(math.log(max(method_in(a,b,c), 1e-9)))
time_method_set_in.append(math.log(max(method_set_in(a,b,c), 1e-9)))
time_method_bisect.append(math.log(max(method_bisect(a,b,c), 1e-9)))

这里1e-9是一个极小的正数，不会对最终的对数结果产生明显影响，却能完美避免0值问题。

2. 改用更高精度的计时函数 #

time.time()的精度在不同系统上表现不一，改用time.perf_counter()会更适合短时间的性能测量——它专门为性能测试设计，精度更高。

把所有方法里的time.time()替换成time.perf_counter()：

# 比如method_in里的代码
start_time = time.perf_counter()
# ...
return time.perf_counter() - start_time

这样能更准确捕捉到短代码的运行时长，减少出现0值的概率。

3. 多次运行取平均（更严谨的性能测试） #

单次运行的时间差误差极大，甚至会出现0值，这本身也会让你的性能对比结果不够准确。更好的做法是让每个方法重复运行多次，取平均时间：

修改方法示例：

def method_in(a,b,c):
    total_time = 0
    runs = 5  # 可以根据N的大小调整，N越小可以增加运行次数
    for _ in range(runs):
        # 每次运行前重置c的值，避免之前的运行结果干扰
        c[:] = [0]*len(a)
        start_time = time.perf_counter()
        for i,x in enumerate(a):
            if x in b:
                c[i] = 1
        total_time += time.perf_counter() - start_time
    return total_time / runs

这样不仅能避免0值问题，还能让你的性能数据更可靠，毕竟性能测试本来就需要多次采样来抵消偶然误差。

为什么log10和decimal没用？ #

不管是math.log()还是math.log10()，它们的定义域都是正数，只要传入0或者负数都会报错；decimal模块只是提升了数值精度，但如果原始时间差是0，decimal.Decimal(0).ln()同样会抛出错误——核心问题还是要保证传入对数函数的是正数，而不是换用不同的对数实现。

整合优化后的完整代码示例 #

这里把上面的优化点整合起来，你可以直接运行：

import random
import bisect
import matplotlib.pyplot as plt
import math
import time

def method_in(a,b,c):
    total_time = 0
    runs = 5
    for _ in range(runs):
        c[:] = [0]*len(a)
        start_time = time.perf_counter()
        for i,x in enumerate(a):
            if x in b:
                c[i] = 1
        total_time += time.perf_counter() - start_time
    return total_time / runs

def method_set_in(a,b,c):
    total_time = 0
    runs = 5
    for _ in range(runs):
        c[:] = [0]*len(a)
        start_time = time.perf_counter()
        s = set(b)
        for i,x in enumerate(a):
            if x in s:
                c[i] = 1
        total_time += time.perf_counter() - start_time
    return total_time / runs

def method_bisect(a,b,c):
    total_time = 0
    runs = 5
    for _ in range(runs):
        c[:] = [0]*len(a)
        start_time = time.perf_counter()
        b_sorted = sorted(b)  # 提前排序，避免每次循环重复排序
        for i,x in enumerate(a):
            index = bisect.bisect_left(b_sorted,x)
            if index < len(b_sorted):
                if x == b_sorted[index]:
                    c[i] = 1
        total_time += time.perf_counter() - start_time
    return total_time / runs

def profile():
    time_method_in = []
    time_method_set_in = []
    time_method_bisect = []
    Nls = [x for x in range(1000,20000,1000)]
    for N in Nls:
        a = list(range(0,N))
        random.shuffle(a)
        b = list(range(0,N))
        random.shuffle(b)
        c = [0]*len(a)
        # 加兜底值确保正数
        time_method_in.append(math.log(max(method_in(a,b,c), 1e-9)))
        time_method_set_in.append(math.log(max(method_set_in(a,b,c), 1e-9)))
        time_method_bisect.append(math.log(max(method_bisect(a,b,c), 1e-9)))
    plt.plot(Nls,time_method_in,marker='o',color='r',linestyle='-',label='in')
    plt.plot(Nls,time_method_set_in,marker='o',color='b',linestyle='-',label='set')
    plt.plot(Nls,time_method_bisect,marker='o',color='g',linestyle='-',label='bisect')
    plt.xlabel('list size', fontsize=18)
    plt.ylabel('log(time)', fontsize=18)
    plt.legend(loc = 'upper left')
    plt.show()

if __name__ == "__main__":
    profile()

另外注意我还优化了method_bisect里的排序逻辑——原来的代码每次循环都给b排序，这会额外增加不必要的耗时，现在改成提前排序好b_sorted，让测试更公平。

内容的提问来源于stack exchange，提问作者Smith Lo