如何让Python像Julia一样快地运行

Function: parse_int at line 1

Line # Hits Time Per Hit % Time Line Contents

==============================================================

1 def parse_int():

2 1000 699 0.7 5.1 for i in range(1,1000):

3 999 9149 9.2 66.3 n = random.randint(0,2**32-1)

4 999 1024 1.0 7.4 s = hex(n)

5 999 863 0.9 6.3 if s[-1]=='L':

6 s = s[0:-1]

7 999 1334 1.3 9.7 m = int(s,16)

8 999 738 0.7 5.3 assert m == n

可以看到，大年夜部分时光都花费在了生成随机数上。我不肯定则是不是该基准测试的意图。

from functools import lru_cache as cache 
 
@cache(maxsize=None) 
 
def fib_cache(n): 
 
    if n<2: 
 
        return n 
 
    return fib_cache(n-1)+fib_cache(n-2)

加快此测试的一种方法是应用 Numpy 将随机数生成移到轮回之外。我们一次性创建一个随机数数组。

对它计时会获得：

1000 loops, best of 3:848 µs per loop

还不错，快了 4 倍，接近于 Cython 代码的速度。

拥稀有组后，经由过程轮回它来一次向某个元素应用 hex() 和 int() 函数似乎很傻。好消息是，Numpy 供给了一种向数组应用函数的办法，而不必使悠揭捉?环，该函数是numpy.vectorize() 函数。此函数接收一次处理一个对象的函数。它返回一个处理数组的新函数。

vhex = np.vectorize(hex) 
 
vint = np.vectorize(int) 
 
def parse_int_numpy(): 
 
    n = np.random.randint(0,2**32-1,1000) 
 
    s = vhex(n) 
 
    m = vint(s,16) 
 
    np.all(m == n) 
 
    return s

此代码运行速度更快了一点，几乎像 Cython 代码一样快：

1000 loops, best of 3:703 µs per loop

我肯定 Python 专家可以或许比我在这里做得更好，因为我不太熟悉 Python 解析，但这再一次注解避免 Python 轮回是个不错的设法主意。

停止语

膳绫擎介绍了若何加快 Julia 团队所应用的 4 个示例的运行速度。还有 3 个例子：

pisum 应用 Numba 的运行速度快 29 倍。
10/11 首页上一页 8 9 10 11 下一页尾页

　　推荐阅读

　　云原生安全初创公司Aporeto融资1120万美元

Aporeto是一家“云原生”的安然始创公司，旨在确保那些不受信的IT情况的安然性。该公司方才在A轮融资——也就是岁尾产品宣布之前——获得了>>>详细阅读

本文标题：如何让Python像Julia一样快地运行

地址：http://www.17bianji.com/lsqh/35343.html

1/2 1