Matlab, R, Python關於向量化計算和for循環的速度比較？

01-05

Matlab和R，有這樣一個特點：向量化運算速度快，但是用for循環速度很慢。
Python有沒有這樣的問題？

向量化運算的話，這些軟體都是通過C/C++,Fortran寫的庫實現的，所以速度差不多。

for循環的話，以我的經驗，安裝原裝語言，不考慮相關庫和編譯優化的情況下，速度從快到慢的排序是MATLAB，Python, R。

MATLAB自R2015b後，循環速度又有大幅度提升。提速的話，考慮mex。mex的編寫與調試不方便（代碼如果有bug，經常MATLAB崩掉），不是萬不得已，我一般不用。

Python主要優勢是它的易用性，需要性能時，可以考慮使用效率高的庫，也可以使用numba，cython，pypy來大幅度提高性能。

R的循環最慢，但是使用它的人，一般不自己寫演算法，一般都是直接調用相關的庫。

以Falccm用的例子為例：

MATLAB的R2016a：

tic; s = 0; for k = 1:1e9 s = s + k; end toc; s

結果：

時間已過 3.904714 秒。 s = 5.00000000067109e+17

計算結果有誤差，因為使用的是浮點型。

Python 2.7.11:

import time from numba import jit


@jit

def testSum():

    s = 0

    for k in range(1, 1000000001):  # 1e9

        s += k

    return s

t = time.clock() s = testSum() print time.clock() - t print s

結果：

0.023960742777 500000000500000000

計算結果沒有誤差，而且速度更快。

加入numba並不麻煩，僅僅增加了兩行：

from numba import jit @jit

通過添加變數類型，可以進一步提高性能：

1.3. Compiling Python code with @jit

import time from numba import jit, int64


@jit(int64())

def testSum():

    s = 0

    for k in range(1, 1000000001):  # 1e9

        s += k

    return s

t = time.clock() s = testSum() print time.clock() - t print s

結果：

3.01848604067e-06 500000000500000000

測試浮點型運算：

MATLAB R2016a代碼：

tic; s = 0; for k = 1:1e9 s = s/3; s = s + k; end toc; s

結果：

時間已過 9.160245 秒。 s = 1499999999.25

Python 2.7.11:

import time from numba import jit, float64


@jit(float64())

def testSum():

    s = 0.0

    for k in range(1, 1000000001): # 1e9

        s /= 3.0

        s += 1.0 * k

    return s

t = time.clock() s = testSum() print time.clock() - t print s

結果： 6.86019338233 1499999999.25

Python+Numba略快。

測試了一下遞歸，MATLAB比Python要快，看來MATLAB在加速，以前的觀念需要更新。

MATLAB R2016a：

function res = fib(n) if n &< 0 error("n must be non-negative"); end if n &< 2 res = n; return end res = fib(n-1) + fib(n-2); end

tic;disp(fib(35));toc;

結果：

9227465 時間已過 1.597194 秒。

Python 2.7.11:

import time #from numba import jit #@jit def fib(n): if n &< 0: print "n must be non-negative" return if n &< 2: return n return fib(n - 1) + fib(n - 2) t = time.clock() s = fib(35) print time.clock() - t print s

結果：

3.6433592249 9227465

R 不清楚，不過 MATLAB 目前循環速度已經比原來快很多了：

function testSum s = 0; for k = 1:1e9 s = s + k; end

&>&> tic, testSum; toc 時間已過 4.364448 秒。

雖然很多情況下有比簡單循環更好的寫法，但是至少沒有必要像之前那樣懼怕循環了。可能很多比較經(guo)典(shi)的資料和 MATLAB 版本會讓你對循環性能存在一定誤解

python 的循環反正不快，經常用作 MATLAB 替代的 numpy 也確實有向量化比循環快的情況

試了下 Python：

def testSum(): s = 0 for k in range(1, 100000001): # 1e8 s += k

t = time.clock() testSum() print("用時:", time.clock() - t, "秒")

用時: 5.859156802823201 秒

是慢了一點，上邊 python 測試用的是1e8的數據已經比 MATLAB 1e9的慢了

不過參見另一個答案，可以用 Numba 對 python 的循環進行加速，在一些情況下可以達到甚至超過 MATLAB 循環的效果。不過 Numba 適用範圍好像有一定限制，某些情況下可能不如 Python 本身的性能，總之只要使用得當應該是很有利的工具

r是解釋型的，所以for的速度是有瓶頸。

最好的辦法是優化代碼，官網上的task view裡面有很多高效運算包d

matlab py沒學的那麼深入，就不評價了