直接用 timeit.timeit() 就够了，除非怀疑结果受系统抖动影响；timeit.repeat() 适合需排除异常值的严谨场景，但基础对比无需过度谨慎。
timeit.timeit() 和 timeit.repeat() 选哪个？
直接用 timeit.timeit() 就够了，除非你怀疑结果受系统抖动影响。它默认执行 100 万次并返回总耗时（秒），适合快速比对两种写法；而 timeit.repeat() 会多次调用 timeit.timeit() 并返回数组，方便手动排除异常值——但多数基础语法对比不需要这么谨慎。
常见错误是只跑一次就下结论。比如测试 a = [1,2,3] 和 a = list((1,2,3))，单次运行可能因 GC 或 CPU 调度偏差差出 10%。建议至少用 number=1000000，或用 repeat(repeat=3, number=1000000) 取最小值。
setup 参数为什么不能省略？
因为 timeit 在独立作用域中执行代码，外部变量、导入、函数定义全不可见。比如想测 json.loads(s)，不通过 setup 导入 json 和定义 s，就会报 NameError: name 'json' is not defined。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 把所有依赖写进字符串：
setup="import json; s='[1,2,3]'" - 避免在
stmt里做初始化（如stmt="s=[1,2,3]; s.append(4)"），否则测的是赋值 + append，不是纯 append 效率 - 用
lambda或预定义函数更清晰：setup="def f(): return [1,2,3]"，stmt="f().append(4)"
字符串 stmt 和 callable stmt 哪种更准？
callable 更准，尤其当语句含变量或需复用对象时。字符串形式会触发额外的解析开销，且无法复用 setup 中创建的对象引用。
例如测 list.append() vs list += [x]：
import timeit
l = [1, 2, 3]
timeit.timeit(lambda: l.append(4), number=1000000) # ✅ 复用同一列表
timeit.timeit("l.append(4)", setup="l=[1,2,3]", number=1000000) # ❌ 每次都新建 l后者每次执行前都会重新运行 setup，导致测的是“新建列表 + append”，而非仅 append 动作本身。
为什么 sys.getsizeof() 不能替代 timeit 测内存操作效率？
sys.getsizeof() 返回对象当前内存占用，和执行时间无关。比如 [1]*1000 和 list(range(1000)) 内存相近，但后者涉及整数对象创建、迭代器消耗，实际耗时高 3–5 倍。
真正要对比内存友好型写法（如生成器 vs 列表推导），必须用 timeit 实测执行时间，并注意：
- 生成器表达式
(x for x in range(1000))创建快、启动慢；列表推导[x for x in range(1000)]创建慢、后续访问快 - 若测试含
next()或sum()等消费动作，必须包含在stmt中，否则只测了构造开销 - 小数据量（如
range(10)）下差异常被 Python 解释器优化掩盖，建议从range(1000)起步
最易被忽略的是作用域隔离带来的副作用——哪怕只差一个点号（list.append vs l.append），Python 查找路径不同，耗时能差 15% 以上。别信直觉，测。
