为什么在 Scala 中压缩比 zip 快？

Question

我编写了一些 Scala 代码来对集合执行元素操作。在这里，我定义了两个执行相同任务的方法。一种方法使用zip，另一种使用zipped.

def ES (arr :Array[Double], arr1 :Array[Double]) :Array[Double] = arr.zip(arr1).map(x => x._1 + x._2)

def ES1(arr :Array[Double], arr1 :Array[Double]) :Array[Double] = (arr,arr1).zipped.map((x,y) => x + y)

为了在速度方面比较这两种方法，我编写了以下代码：

def fun (arr : Array[Double] , arr1 : Array[Double] , f :(Array[Double],Array[Double]) => Array[Double] , itr : Int) ={
  val t0 = System.nanoTime()
  for (i <- 1 to itr) {
       f(arr,arr1)
       }
  val t1 = System.nanoTime()
  println("Total Time Consumed:" + ((t1 - t0).toDouble / 1000000000).toDouble + "Seconds")
}

我调用该fun方法并通过ES，ES1如下所示：

fun(Array.fill(10000)(math.random), Array.fill(10000)(math.random), ES , 100000)
fun(Array.fill(10000)(math.random), Array.fill(10000)(math.random), ES1, 100000)

结果表明，命名方法ES1，使用zipped速度更快的方法比ES使用zip。基于这些观察，我有两个问题。

为什么zipped比 快zip？

有没有更快的方法对 Scala 中的集合进行元素操作？

Answer 1

其他答案都没有提到速度差异的主要原因，即该zipped版本避免了 10,000 元组分配。正如其他几个答案所指出的那样，该zip版本涉及一个中间数组，而该zipped版本不涉及，但是为 10,000 个元素分配一个数组并不是使zip版本变得如此糟糕的原因——它是 10,000 个短命元组正在被放入该数组中。这些由 JVM 上的对象表示，因此您正在为您将立即扔掉的东西进行大量对象分配。

这个答案的其余部分只是详细介绍了如何确认这一点。

更好的基准测试

您真的希望使用像jmh这样的框架在 JVM 上负责任地进行任何类型的基准测试，即使如此，负责任的部分也很难，尽管设置 jmh 本身并不算太糟糕。如果你有project/plugins.sbt这样的：

addSbtPlugin("pl.project13.scala" % "sbt-jmh" % "0.3.7")

和build.sbt这样的（我使用的是 2.11.8，因为你提到那是你正在使用的）：

scalaVersion := "2.11.8"

enablePlugins(JmhPlugin)

然后你可以像这样写你的基准：

package zipped_bench

import org.openjdk.jmh.annotations._

@State(Scope.Benchmark)
@BenchmarkMode(Array(Mode.Throughput))
class ZippedBench {
  val arr1 = Array.fill(10000)(math.random)
  val arr2 = Array.fill(10000)(math.random)

  def ES(arr: Array[Double], arr1: Array[Double]): Array[Double] =
    arr.zip(arr1).map(x => x._1 + x._2)

  def ES1(arr: Array[Double], arr1: Array[Double]): Array[Double] =
    (arr, arr1).zipped.map((x, y) => x + y)

  @Benchmark def withZip: Array[Double] = ES(arr1, arr2)
  @Benchmark def withZipped: Array[Double] = ES1(arr1, arr2)
}

并运行它sbt "jmh:run -i 10 -wi 10 -f 2 -t 1 zipped_bench.ZippedBench"：

Benchmark                Mode  Cnt     Score    Error  Units
ZippedBench.withZip     thrpt   20  4902.519 ± 41.733  ops/s
ZippedBench.withZipped  thrpt   20  8736.251 ± 36.730  ops/s

这表明该zipped版本的吞吐量增加了大约 80%，这可能与您的测量结果大致相同。

衡量分配

您还可以要求 jmh 使用-prof gc以下命令来衡量分配：

Benchmark                                                 Mode  Cnt        Score       Error   Units
ZippedBench.withZip                                      thrpt    5     4894.197 ±   119.519   ops/s
ZippedBench.withZip:·gc.alloc.rate                       thrpt    5     4801.158 ±   117.157  MB/sec
ZippedBench.withZip:·gc.alloc.rate.norm                  thrpt    5  1080120.009 ±     0.001    B/op
ZippedBench.withZip:·gc.churn.PS_Eden_Space              thrpt    5     4808.028 ±    87.804  MB/sec
ZippedBench.withZip:·gc.churn.PS_Eden_Space.norm         thrpt    5  1081677.156 ± 12639.416    B/op
ZippedBench.withZip:·gc.churn.PS_Survivor_Space          thrpt    5        2.129 ±     0.794  MB/sec
ZippedBench.withZip:·gc.churn.PS_Survivor_Space.norm     thrpt    5      479.009 ±   179.575    B/op
ZippedBench.withZip:·gc.count                            thrpt    5      714.000              counts
ZippedBench.withZip:·gc.time                             thrpt    5      476.000                  ms
ZippedBench.withZipped                                   thrpt    5    11248.964 ±    43.728   ops/s
ZippedBench.withZipped:·gc.alloc.rate                    thrpt    5     3270.856 ±    12.729  MB/sec
ZippedBench.withZipped:·gc.alloc.rate.norm               thrpt    5   320152.004 ±     0.001    B/op
ZippedBench.withZipped:·gc.churn.PS_Eden_Space           thrpt    5     3277.158 ±    32.327  MB/sec
ZippedBench.withZipped:·gc.churn.PS_Eden_Space.norm      thrpt    5   320769.044 ±  3216.092    B/op
ZippedBench.withZipped:·gc.churn.PS_Survivor_Space       thrpt    5        0.360 ±     0.166  MB/sec
ZippedBench.withZipped:·gc.churn.PS_Survivor_Space.norm  thrpt    5       35.245 ±    16.365    B/op
ZippedBench.withZipped:·gc.count                         thrpt    5      863.000              counts
ZippedBench.withZipped:·gc.time                          thrpt    5      447.000                  ms

...哪里gc.alloc.rate.norm可能是最有趣的部分，表明该zip版本分配的数量是zipped.

命令式实现

如果我知道将在对性能极其敏感的上下文中调用此方法，我可能会像这样实现它：

  def ES3(arr: Array[Double], arr1: Array[Double]): Array[Double] = {
    val minSize = math.min(arr.length, arr1.length)
    val newArr = new Array[Double](minSize)
    var i = 0
    while (i < minSize) {
      newArr(i) = arr(i) + arr1(i)
      i += 1
    }
    newArr
  }

请注意，与其他答案之一中的优化版本不同，它使用while而不是 a ，for因为它for仍将脱糖到 Scala 集合操作中。我们可以比较这个实现 ( withWhile)、另一个答案的优化（但不是就地）实现 ( withFor) 和两个原始实现：

Benchmark                Mode  Cnt       Score      Error  Units
ZippedBench.withFor     thrpt   20  118426.044 ± 2173.310  ops/s
ZippedBench.withWhile   thrpt   20  119834.409 ±  527.589  ops/s
ZippedBench.withZip     thrpt   20    4886.624 ±   75.567  ops/s
ZippedBench.withZipped  thrpt   20    9961.668 ± 1104.937  ops/s

命令式和函数式版本之间确实存在巨大差异，所有这些方法签名都完全相同，并且实现具有相同的语义。它不像命令式实现使用全局状态等。虽然zip和zipped版本更具可读性，但我个人认为命令式版本没有任何违背“Scala精神”的意义，我会毫不犹豫自己使用它们。

带表格

更新：我tabulate根据另一个答案中的评论向基准添加了一个实现：

def ES4(arr: Array[Double], arr1: Array[Double]): Array[Double] = {
  val minSize = math.min(arr.length, arr1.length)
  Array.tabulate(minSize)(i => arr(i) + arr1(i))
}

它比zip版本快得多，但仍然比命令式慢得多：

Benchmark                  Mode  Cnt      Score     Error  Units
ZippedBench.withTabulate  thrpt   20  32326.051 ± 535.677  ops/s
ZippedBench.withZip       thrpt   20   4902.027 ±  47.931  ops/s

这是我所期望的，因为调用函数本身并不昂贵，而且通过索引访问数组元素非常便宜。

Answer 2

回答你的第二个问题：

有没有更快的方法来对 Scala 中的集合进行元素明智的操作？

可悲的事实是，尽管它简洁、提高了生产力和对错误的恢复能力，但函数式语言不一定是最高效的。在 OP 的示例中，使用高阶函数来定义要针对集合执行的投影具有开销，并且紧密循环会放大这一点。正如其他人指出的那样，中间和最终结果的额外存储分配也会产生开销。

如果性能至关重要，尽管绝不是通用的，在像您这样的情况下，您可以将简洁的功能代码展开回命令式等效代码，以便重新获得对内存使用的更直接控制并消除函数调用开销。

在您的具体示例中，zipped可以通过预先分配正确大小的固定可变数组来强制执行求和（因为当集合之一用完元素时 zip 停止），然后将适当索引处的元素添加在一起（因为访问按序数索引数组元素是一个非常快的操作）。

例如，向ES3您的测试套件添加第三个函数：

def ES3(arr :Array[Double], arr1 :Array[Double]) :Array[Double] = {
   val minSize = math.min(arr.length, arr1.length)
   val array = Array.ofDim[Double](minSize)
   for (i <- 0 to minSize - 1) {
     array(i) = arr(i) + arr1(i)
   }
  array
}

在我的 i7 上，我得到以下响应时间：

OP ES Total Time Consumed:23.3747857Seconds
OP ES1 Total Time Consumed:11.7506995Seconds
--
ES3 Total Time Consumed:1.0255231Seconds

更令人发指的是对两个数组中较短的数组进行直接就地突变，这显然会破坏这个较短数组的内容，因此只有在不需要原始数组进行进一步工作时才应该实施呼叫者：

def ES4(arr :Array[Double], arr1 :Array[Double]) :Array[Double] = {
   val minSize = math.min(arr.length, arr1.length)
   val array = if (arr.length < arr1.length) arr else arr1
   for (i <- 0 to minSize - 1) {
      array(i) = arr(i) + arr1(i)
   }
  array
}

Total Time Consumed:0.3542098Seconds

但显然，直接改变作为参数传递的数组元素并不符合 Scala 的精神——这段代码有副作用。

老实说，如果您需要在紧密循环中进行这种级别的性能优化，那么最好用 Rust、Go 或 C 编写这些类型的算法。

Answer 3

考虑 lazyZip

(as lazyZip bs) map { case (a, b) => a + b }

代替 zip

(as zip bs) map { case (a, b) => a + b }

添加 lazyZip了Scala 2.13以支持.zipped

连同.zipon 视图，这将取代.zipped（现已弃用）。( Scala/collection-strawman#223 )

zipped（因此lazyZip）是速度比zip，因为如通过解释添和麦克艾伦，zip接着map将导致两个分开的转化由于严格，而zipped随后map将导致一气呵成由于懒惰执行的单次转化。

zipped给出Tuple2Zipped, 并分析Tuple2Zipped.map,

class Tuple2Zipped[...](val colls: (It1, It2)) extends ... {
  private def coll1 = colls._1
  private def coll2 = colls._2

  def map[...](f: (El1, El2) => B)(...) = {
    val b = bf.newBuilder(coll1)
    ...
    val elems1 = coll1.iterator
    val elems2 = coll2.iterator

    while (elems1.hasNext && elems2.hasNext) {
      b += f(elems1.next(), elems2.next())
    }

    b.result()
  }

我们看到两个集合coll1，coll2并在每次迭代中进行迭代，沿途应用f传递给的函数map

b += f(elems1.next(), elems2.next())

无需分配和转换中间结构。

应用特拉维斯标杆法，这里是新的比较lazyZip和弃用zipped哪里

@State(Scope.Benchmark)
@BenchmarkMode(Array(Mode.Throughput))
class ZippedBench {
  import scala.collection.mutable._
  val as = ArraySeq.fill(10000)(math.random)
  val bs = ArraySeq.fill(10000)(math.random)

  def lazyZip(as: ArraySeq[Double], bs: ArraySeq[Double]): ArraySeq[Double] =
    as.lazyZip(bs).map{ case (a, b) => a + b }

  def zipped(as: ArraySeq[Double], bs: ArraySeq[Double]): ArraySeq[Double] =
    (as, bs).zipped.map { case (a, b) => a + b }

  def lazyZipJavaArray(as: Array[Double], bs: Array[Double]): Array[Double] =
    as.lazyZip(bs).map{ case (a, b) => a + b }

  @Benchmark def withZipped: ArraySeq[Double] = zipped(as, bs)
  @Benchmark def withLazyZip: ArraySeq[Double] = lazyZip(as, bs)
  @Benchmark def withLazyZipJavaArray: ArraySeq[Double] = lazyZipJavaArray(as.toArray, bs.toArray)
}

给

[info] Benchmark                          Mode  Cnt      Score      Error  Units
[info] ZippedBench.withZipped            thrpt   20  20197.344 ± 1282.414  ops/s
[info] ZippedBench.withLazyZip           thrpt   20  25468.458 ± 2720.860  ops/s
[info] ZippedBench.withLazyZipJavaArray  thrpt   20   5215.621 ±  233.270  ops/s

lazyZip似乎表现比zippedon好一点ArraySeq。有趣的是，当使用lazyZipon时，注意到性能显着下降Array。

Answer 4

由于 JIT 编译，您应该始终对性能测量保持谨慎，但一个可能的原因是它zipped很懒惰并且Array在map调用期间从原始值中提取元素，而zip创建一个新Array对象然后调用map新对象。