與Python的速度較量：C++究竟有多快？
本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。
對于數據科學家而言，熱愛Python的理由數不勝數。但你是否也曾問過這樣的問題：Python和C或C++等更專業的低級編程語言究竟有何不同呢?我想這是很多數據科學家或者Python用戶曾經問過或者將來會問自己的問題。
Python和C++類語言之間存在許多區別，本文將通過一個十分簡單的例子向你展示，與Python相比，C++究竟有多快。
為了說明這種區別，本文選擇一個簡單實用而非想象虛構的任務：生成固定值為“k”的所有可能DNA k-mers。選擇該示例，是因為與基因組相關的許多數據處理和任務分析(例如k-mers生成)都是計算密集型的，而這同樣也是很多生物信息學領域的數據科學家對C++感興趣的原因。
請注意，本文目標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化的方法編寫。本文的唯一目標，就是比較這兩種語言在使用完全相同的算法和指令時的速度。
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(更準確地說是智人)擁有核苷酸對30億個。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個連續的核苷酸(即字母)，它將是一個長度為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。
難點挑戰
本文以生成所有可能的13-mers為例，從數學上講，這是一個帶有替換的排列問題。因此，共有4¹³個(67108864)可能的13-mers。下面將使用一個簡單的算法在C++和Python中生成結果。
方案比較
為了方便比較C++和Python在此特定挑戰中的優劣，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計地簡單而相似。同時，避免使用復雜的數據結構或第三方包或庫。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!")
運行Python代碼，生成全部13-mers共6700萬個大約需要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時顯示它們，也可以取消對這兩行的注釋。注意，顯示全部k-mers耗時很長。如有需要，請操作CTRL+C中止代碼。
現在，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，運行C++代碼，生成全部13-mers共6700萬個大約需要2.42秒。這意味著運行相同算法，Python用時是C++的25倍多。然后，對14-mers和15-mers重復進行此實驗。匯總結果如下表所示：
比較生成13-、14-和15-mers的Python和C++運行結果。
顯然，C++比Python快得多。對于大多數程序員和數據科學家而言，這是共識。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，因其必須針對相應類型的問題(密集并行難題)進行。此外，示例也沒有大量涉及內存。如果將運行結果進行存儲(出于某些特定原因)，那么使用內存管理在運行C++和Python時，將產生更顯著的差異。
此示例和數以千計的其他事實表明，在處理大量數據或指數增長的過程中，身為數據科學家，你應該了解C++類語言。
