正确答案:它们都是相同长度的分数。

但如果主题是时间，哪个更快?

一个小测试案例:

import timeit
import time

clock_list = []
time_list = []

test1 = """
def test(v=time.clock()):
    s = time.clock() - v
"""

test2 = """
def test(v=time.time()):
    s = time.time() - v
"""
def test_it(Range) :
    for i in range(Range) :
        clk = timeit.timeit(test1, number=10000)
        clock_list.append(clk)
        tml = timeit.timeit(test2, number=10000)
        time_list.append(tml)

test_it(100)

print "Clock Min: %f Max: %f Average: %f" %(min(clock_list), max(clock_list), sum(clock_list)/float(len(clock_list)))
print "Time  Min: %f Max: %f Average: %f" %(min(time_list), max(time_list), sum(time_list)/float(len(time_list)))

我不是在瑞士实验室工作，但我做过测试。

基于这个问题:time.clock()比time.time()更好

编辑:time.clock()是内部计数器，所以不能在外部使用，得到限制最大32位浮点数，如果不存储第一个/最后一个值，就不能继续计数。不能合并另一个计数器…

正如其他人所注意到的，time.clock()已被弃用，取而代之的是time.perf_counter()或time.process_time()，但Python 3.7通过time.perf_counter_ns()、time.process_time_ns()和time.time_ns()以及其他3个函数引入了纳秒分辨率计时。

PEP 564中详细介绍了这6个新的纳秒分辨率函数:

time.clock_gettime_ns (clock_id) 时间。clock_settime_ns (clock_id、时间:int) time.monotonic_ns () time.perf_counter_ns () time.process_time_ns () time.time_ns () 这些函数类似于没有_ns后缀的版本，但是 返回一个纳秒数作为Python int。

正如其他人也注意到的那样，使用timeit模块为函数和小代码段计时。

这取决于你在乎什么。如果您指的是WALL TIME(即墙上时钟上的时间)，则TIME .clock()不能提供精度，因为它可能管理CPU时间。

其他人回答了re: time.time() vs. time.clock()。

但是，如果您是为了基准测试/分析目的而对代码块的执行进行计时，则应该查看timeit模块。

Clock() ->浮点数

返回CPU时间或进程启动后的实时时间 第一次调用clock()。这和系统的精度一样高 记录。

Time() ->浮点数

返回当前时间(以秒为单位)。 如果系统时钟提供，可能会出现几分之一秒。

通常time()更精确，因为操作系统存储进程运行时间的精度与存储系统时间(即实际时间)的精度不同。

简单的答案是:大多数时候time.clock()会更好。 然而，如果你正在为某些硬件计时(例如你在GPU中放入的某些算法)，那么time.clock()将摆脱这个时间，而time.time()是唯一剩下的解决方案。

注意:无论使用何种方法，计时将取决于您无法控制的因素(进程何时切换，频率如何，……)，这对于time.time()来说更糟糕，但对于time.clock()也存在，因此您永远不应该只运行一个计时测试，而是始终运行一系列测试并查看时间的均值/方差。