python中的for循环比matlab慢10倍

Question

我在同一台机器上运行python 2.7和matlab R2010a,什么都不做,它给我10倍的速度

我在网上看了,听说它应该是同一个订单.Python将在for循环中进一步减慢,就像语句和数学运算符一样

我的问题:这是现实吗？还是有其他方式让他们以相同的速度顺序？

---

这是python代码

import time

start_time = time.time()

for r in xrange(1000):

      for c in xrange(1000):

         continue

elapsed_time = time.time() - start_time

print 'time cost = ',elapsed_time

Output: time cost = 0.0377440452576

这是matlab代码

tic

for i = 1:1000

    for j = 1:1000

    end

end

toc

Output: Escaped time is 0.004200 seconds

Answer 1

发生这种情况的原因与JIT编译器有关,它正在优化MATLAB for循环.您可以使用feature accel off和禁用/启用JIT加速器feature accel on.禁用加速器时,时间会发生显着变化.

MATLAB with accel on: Elapsed time is 0.009407 seconds.

加载MATLAB的MATLAB: Elapsed time is 0.287955 seconds.

蟒蛇: time cost = 0.0511920452118

因此,JIT加速器直接导致您注意到的加速.您应该考虑另一件事,这与您定义迭代索引的方式有关.在MATLAB和python这两种情况下,您都使用迭代器来定义循环.在MATLAB中,您可以通过添加方括号([])来创建实际值,并在python中使用range而不是xrange.当您进行这些更改时

% MATLAB
for i = [1:1000]
    for j = [1:1000]

# python
for r in range(1000):
  for c in range(1000):

时代变了

MATLAB with accel on: Elapsed time is 0.338701 seconds.

加载MATLAB的MATLAB: Elapsed time is 0.289220 seconds.

蟒蛇: time cost = 0.0606048107147

最后一个考虑因素是如果要在循环中添加快速计算.即t=t+1.然后时代变了

MATLAB with accel on: Elapsed time is 1.340830 seconds.

关闭加速的MATLAB :( Elapsed time is 0.905956 seconds.关闭更快)

蟒蛇: time cost = 0.147221088409

我认为这里的道德是开箱即用的for循环的计算速度与极其简单的循环相当,具体取决于具体情况.但是,python中还有其他一些数值工具可以显着提高速度,numpy和PyPy到目前为止已经提出来了.

Answer 2

如果 Python 执行性能对你来说真的很重要，你可以看看PyPy

我做了你的测试：

import time
for a in range(10):
    start_time = time.time()
    for r in xrange(1000):
        for c in xrange(1000):
            continue

    elapsed_time = time.time()-start_time
    print elapsed_time

使用标准 Python 2.7.3，我得到：

0.0311839580536
0.0310959815979
0.0309510231018
0.0306520462036
0.0302460193634
0.0324130058289
0.0308878421783
0.0307397842407
0.0304911136627
0.0307500362396

然而，使用 PyPy 1.9.0（对应于 Python 2.7.2），我得到：

0.00921821594238
0.0115230083466
0.00851202011108
0.00808095932007
0.00496387481689
0.00499391555786
0.00508499145508
0.00618195533752
0.005126953125
0.00482988357544

PyPy 的加速确实令人惊叹，并且当其 JIT 编译器优化超过其成本时才真正变得可见。这也是我引入额外的 for 循环的原因。对于此示例，绝对不需要修改代码。