與Python的速度較量：C++究竟有多快？
本文轉(zhuǎn)載自公眾號(hào)“讀芯術(shù)”(ID：AI_Discovery)。
對(duì)于數(shù)據(jù)科學(xué)家而言，熱愛Python的理由數(shù)不勝數(shù)。但你是否也曾問過這樣的問題：Python和C或C++等更專業(yè)的低級(jí)編程語言究竟有何不同呢?我想這是很多數(shù)據(jù)科學(xué)家或者Python用戶曾經(jīng)問過或者將來會(huì)問自己的問題。
Python和C++類語言之間存在許多區(qū)別，本文將通過一個(gè)十分簡單的例子向你展示，與Python相比，C++究竟有多快。
為了說明這種區(qū)別，本文選擇一個(gè)簡單實(shí)用而非想象虛構(gòu)的任務(wù)：生成固定值為“k”的所有可能DNA k-mers。選擇該示例，是因?yàn)榕c基因組相關(guān)的許多數(shù)據(jù)處理和任務(wù)分析(例如k-mers生成)都是計(jì)算密集型的，而這同樣也是很多生物信息學(xué)領(lǐng)域的數(shù)據(jù)科學(xué)家對(duì)C++感興趣的原因。
請(qǐng)注意，本文目標(biāo)并不是以最有效的方式比較C++和Python。這兩種代碼均可采用更高效的方式和更優(yōu)化的方法編寫。本文的唯一目標(biāo)，就是比較這兩種語言在使用完全相同的算法和指令時(shí)的速度。
DNA K-mers簡介
DNA是一種稱為核苷酸的長鏈單位。在DNA中，共有4種核苷酸類型，分別用字母A、C、G和T表示。人類(更準(zhǔn)確地說是智人)擁有核苷酸對(duì)30億個(gè)。例如，人類DNA的一小部分可能類似于：
ACTAGGGATCATGAAGATAATGTTGGTGTTTGTATGGTTTTCAGACAATT
在此示例中，如果從該字符串中選擇任意4個(gè)連續(xù)的核苷酸(即字母)，它將是一個(gè)長度為4的k-mer(可稱之為4-mer)。以下便是從此示例中衍生出來的一些4-mers例子：ACTA，CTAG，TAGG，AGGG，GGGA等。
難點(diǎn)挑戰(zhàn)
本文以生成所有可能的13-mers為例，從數(shù)學(xué)上講，這是一個(gè)帶有替換的排列問題。因此，共有4¹³個(gè)(67108864)可能的13-mers。下面將使用一個(gè)簡單的算法在C++和Python中生成結(jié)果。
方案比較
為了方便比較C++和Python在此特定挑戰(zhàn)中的優(yōu)劣，我在兩種語言中使用了完全相同的算法。這兩種代碼均有意設(shè)計(jì)地簡單而相似。同時(shí)，避免使用復(fù)雜的數(shù)據(jù)結(jié)構(gòu)或第三方包或庫。第一段代碼采用Python編寫。
- defconvert(c):
- if (c =='A'): return'C'
- if (c =='C'): return'G'
- if (c =='G'): return'T'
- if (c =='T'): return'A'
- print("Start")
- opt ="ACGT"
- s =""
- s_last =""
- len_str =13
- for i inrange(len_str):
- s += opt[0]
- for i inrange(len_str):
- s_last += opt[-1]
- pos =0
- counter =1
- while (s != s_last):
- counter +=1
- # You can uncomment the next line to see all k-mers.
- # print(s)
- change_next =True
- for i inrange(len_str):
- if (change_next):
- if (s[i] == opt[-1]):
- ss = s[:i] +convert(s[i]) + s[i+1:]
- change_next =True
- else:
- ss = s[:i] +convert(s[i]) + s[i+1:]
- break
- # You canuncomment the next line to see all k-mers.
- # print(s)
- print("Number ofgenerated k-mers: {}".format(counter))
- print("Finish!")
運(yùn)行Python代碼，生成全部13-mers共6700萬個(gè)大約需要61.23秒。為了公平比較，我注釋掉了顯示k-mers的行。如果想在生成k-mers時(shí)顯示它們，也可以取消對(duì)這兩行的注釋。注意，顯示全部k-mers耗時(shí)很長。如有需要，請(qǐng)操作CTRL+C中止代碼。
現(xiàn)在，來看看C++中同樣的算法：
- #include<iostream>
- #include<string>
- usingnamespacestd;
- charconvert(char c)
- {
- if (c == 'A') return'C';
- if (c == 'C') return'G';
- if (c == 'G') return'T';
- if (c == 'T') return'A';
- return' ';
- }
- intmain()
- {
- cout << "Start" << endl;
- string opt = "ACGT";
- string s = "";
- string s_last = "";
- int len_str = 13;
- bool change_next;
- for (int i=0; i<len_str;i++)
- {
- s += opt[0];
- }
- for (int i=0; i<len_str;i++)
- {
- s_last += opt.back();
- }
- int pos = 0;
- int counter = 1;
- while (s != s_last)
- {
- counter ++;
- // You canuncomment the next line to see all k-mers.
- // cout << s<< endl;
- change_next = true;
- for (int i=0; i<len_str;i++)
- {
- if (change_next)
- {
- if (s[i] == opt.back())
- {
- s[i] = convert(s[i]);
- change_next = true;
- } else {
- s[i] = convert(s[i]);
- break;
- }
- }
- }
- }
- // You can uncomment the next line tosee all k-mers.
- // cout << s << endl;
- cout << "Number of generated k-mers: " <<counter << endl;
- cout << "Finish!" << endl;
- return0;
- }
編譯后，運(yùn)行C++代碼，生成全部13-mers共6700萬個(gè)大約需要2.42秒。這意味著運(yùn)行相同算法，Python用時(shí)是C++的25倍多。然后，對(duì)14-mers和15-mers重復(fù)進(jìn)行此實(shí)驗(yàn)。匯總結(jié)果如下表所示：
比較生成13-、14-和15-mers的Python和C++運(yùn)行結(jié)果。
顯然，C++比Python快得多。對(duì)于大多數(shù)程序員和數(shù)據(jù)科學(xué)家而言，這是共識(shí)。但該示例表明，這種差異十分顯著。
本示例并沒有使用CPU或GPU并行化，因其必須針對(duì)相應(yīng)類型的問題(密集并行難題)進(jìn)行。此外，示例也沒有大量涉及內(nèi)存。如果將運(yùn)行結(jié)果進(jìn)行存儲(chǔ)(出于某些特定原因)，那么使用內(nèi)存管理在運(yùn)行C++和Python時(shí)，將產(chǎn)生更顯著的差異。
此示例和數(shù)以千計(jì)的其他事實(shí)表明，在處理大量數(shù)據(jù)或指數(shù)增長的過程中，身為數(shù)據(jù)科學(xué)家，你應(yīng)該了解C++類語言。
