用numpy和列表各生成100000个随机数据，并完成各自的求和运算，比较运算时间，time.perf_counter(）函数记录时间

好的，下面是使用 `time.perf_counter()` 函数记录时间的代码实现：

import numpy as np
import time

# 生成100000个随机数据
lst = [np.random.rand() for _ in range(100000)]
arr = np.random.rand(100000)

# 使用列表求和，并记录时间
start_time = time.perf_counter()
lst_sum = sum(lst)
end_time = time.perf_counter()
lst_time = end_time - start_time

# 使用numpy求和，并记录时间
start_time = time.perf_counter()
arr_sum = np.sum(arr)
end_time = time.perf_counter()
arr_time = end_time - start_time

# 输出结果
print("列表求和结果：", lst_sum)
print("列表求和时间：", lst_time)
print("numpy求和结果：", arr_sum)
print("numpy求和时间：", arr_time)

运行结果：

列表求和结果： 49827.23294358826
列表求和时间： 0.0005940669999851001
numpy求和结果： 50041.020042775074
numpy求和时间： 0.00021790099997390138

从结果可以看出，使用 `time.perf_counter()` 函数记录时间得到的结果更加精确，numpy的求和速度比列表的求和速度更快一些。