【运行计时】为什么计时不要再用 `time.time()` 了

Python 中 time.perf_counter() 和 time.time() 的区别

​ 很多人在写 Python 代码时，如果想统计一段代码运行了多久，第一反应通常是：

import time

start = time.time()
# 一段代码
end = time.time()

print(end - start)

​ 这样写看起来没有问题，但在真实项目里，这其实并不是最推荐的做法。尤其是在下面这些场景中：

• 模型推理耗时统计
• FastAPI 接口耗时监控
• 算法性能测试
• Benchmark
• 高并发服务中的延迟统计

​ 一般来说，我更推荐使用time.perf_counter()。那么，time.time() 和 time.perf_counter() 到底有什么区别？什么时候该用哪个？我们下面会进行详细分析。

一、time.time()：获取当前真实时间

​ time.time() 返回的是当前时间戳。

import time

print(time.time())

​ 输出类似：

1713156000.123456

​ 它表示从 1970 年 1 月 1 日 00:00:00 到现在，经过了多少秒。

​ 因此，time.time() 本质上是在告诉你：“现在几点了？”

1.1 典型用途

​ time.time() 更适合做：

• 记录日志时间

• 生成时间戳

• 判断某个时间是否超时

• 保存数据库中的时间字段

  例如：

import time

log_time = time.time()
print(f"日志时间：{log_time}")

​ 或者：

if time.time() - last_update > 60:
    print("距离上次更新时间已经超过 1 分钟")

二、time.perf_counter()：高精度性能计时器

​ time.perf_counter() 的目标和 time.time() 完全不同。

​ 它不是用来告诉你“现在几点”，而是用来告诉你：“两段代码之间，到底过了多久？”

import time

start = time.perf_counter()
# 一段代码
end = time.perf_counter()

print(end - start)

​ 输出可能是：

0.0002315

​ 这表示代码运行了 0.23 毫秒。

2.1 为什么它更适合计时？

​ 因为 time.perf_counter() 有两个关键特点。

(1)精度更高

​ 它通常会使用系统中最精确的时钟。在不同系统上，精度可能达到微秒级、纳秒级。

​ 例如，下面两段代码的差异：

import time

start = time.time()
for _ in range(1000):
    pass
print(time.time() - start)

​ 可能输出：

0.0

​ 因为代码执行太快，time.time() 的精度不够。

​ 但如果换成：

import time

start = time.perf_counter()
for _ in range(1000):
    pass
print(time.perf_counter() - start)

​ 你就能看到一个更准确的耗时，例如：

0.0000312

(2) 不会受到系统时间修改影响

​ time.time() 会读取系统时间。

​ 如果你手动修改电脑时间、服务器自动同步 NTP 时间、容器中的系统时间发生变化，那么 time.time() 的结果可能会突然跳变。

​ 例如：

start = time.time()
# 执行过程中系统时间被调慢了
end = time.time()

print(end - start)

​ 甚至有可能输出负数：

-0.8

​ 而 time.perf_counter() 是一个“单调递增”的时钟。它只会不断变大，不会倒退。因此它更适合做耗时统计。

2.2 两者最直观的区别

三、真实项目里应该怎么选？

3.1 如果你想记录“什么时候发生”

​ 那就使用time.time()，例如create_time = time.time()，适用于：

• 日志系统
• 数据库存储
• 文件名时间戳

3.2 如果你想记录某个过程“花了多久时间”

​ 那就用time.perf_counter()，进行高精度计时。例如：

import time

start = time.perf_counter()
model.predict(data)
latency = time.perf_counter() - start

print(f"推理耗时: {latency:.6f}s")

​ 这也是模型部署、FastAPI 服务、性能分析中最推荐的写法。

四、FastAPI 中统计接口耗时的正确写法

​ 很多人在 FastAPI 中会这样写：

@app.get("/predict")
def predict():
    start = time.time()

    result = model.predict(x)

    print(time.time() - start)
    return result

​ 更推荐：

import time
from fastapi import FastAPI

app = FastAPI()

@app.get("/predict")
def predict():
    start = time.perf_counter()

    result = model.predict(x)

    cost = time.perf_counter() - start
    print(f"接口耗时: {cost:.6f}s")

    return result

​ 这样即使服务器时间被同步、容器时间发生变化，耗时统计仍然准确。

五、进一步补充：还有一个 time.process_time()

​ 除了这两个函数，Python 里还有一个：

time.process_time()

​ 它统计的是CPU 真正执行代码的时间。因此不会统计：

• sleep

• 网络等待

• 数据库等待

• I/O 等待

  例如：

import time

start = time.process_time()
time.sleep(1)
print(time.process_time() - start)

​ 输出可能接近0.0，因为 CPU 并没有真正工作。因此：

• 想看接口总耗时 → 用 perf_counter
• 想分析 CPU 消耗 → 用 process_time

六、总结

# 获取当前时间
now = time.time()

# 统计代码耗时
start = time.perf_counter()

# do something
cost = time.perf_counter() - start

​ 在真实工程里，尤其是算法部署、FastAPI、模型推理、接口压测等场景中：不要再用 time.time() 做性能统计，而应该优先使用 time.perf_counter()。因为它更准确、更稳定，也更符合工程实践。