是的
timeit标准库中的模块是检查这些内容的方式。例如：
AmAir:stko aleax$ python -mtimeit -s'def isodd(x): x & 1' 'isodd(9)'1000000 loops, best of 3: 0.446 usec per loopAmAir:stko aleax$ python -mtimeit -s'def isodd(x): x & 1' 'isodd(10)'1000000 loops, best of 3: 0.443 usec per loopAmAir:stko aleax$ python -mtimeit -s'def isodd(x): x % 2' 'isodd(10)'1000000 loops, best of 3: 0.453 usec per loopAmAir:stko aleax$ python -mtimeit -s'def isodd(x): x % 2' 'isodd(9)'1000000 loops, best of 3: 0.461 usec per loop
如您所见，在我的（第一天==旧==慢；-） Macbook Air上，该
&解决方案的重复速度比该
%解决方案快7到18纳秒。
timeit不仅告诉您更快的方法，而且告诉您执行速度快了多少（只需运行几次测试），这通常表明它极其重要（调用函数的开销大约为400时，您 真的
关心10纳秒的差异）吗？？！-）…
自Knuth撰写以来已经有35年的时间了（使计算机更快地获得数量级的增长！），已经说服了程序员说微优化本质上是不相关的，这已被证明是不可能完成的任务。
我们应该忘记效率低下的问题，例如大约97％的时间：过早的优化是万恶之源。
正如他所解释的那样，这是引用自Hoare的一份更早的声明。我猜每个人都完全相信，他们的案件占剩下的3％！
因此，我们不停地重复“无关紧要”，我们（特别是蒂姆·彼得斯（Tim
Peters）应得的荣誉）放入标准的Python库模块中
timeit，这使得测量此类微基准变得轻而易举，从而至少让 一些
程序员说服自己，嗯，这种情况确实属于97％的人群！-）
