LinkedList на python и c ++ [duplicate]

Сравнение C / C ++ с Python не является хорошим сравнением. Как сравнить гоночный автомобиль F1 с грузовиком.

Удивительно, насколько быстро Python по сравнению с другими аналогами других динамических языков. Хотя методология часто считается ошибочной, посмотрите на «Компьютерная игра Benchmark Game ], чтобы увидеть относительную скорость языка на аналогичных алгоритмах.

Сравнение с Perl, Ruby и C # ярмарка '

Разница между python и C является обычной разницей между интерпретированным (байт-кодом) и скомпилированным (на родном) языком. Лично я на самом деле не вижу, как python работает медленно, он отлично справляется. Конечно, если вы попытаетесь использовать его за пределами своей сферы, это будет медленнее. Но для этого вы можете написать C-расширения для python, который ставит критические по времени алгоритмы в собственный код, делая это быстрее.

CPython особенно медленный, потому что у него нет оптимизатора Just in Time (поскольку он является эталонной реализацией и в некоторых случаях выбирает простоту по производительности). Unladen Swallow - это проект, который добавляет JIT в LLVM в CPython и достигает огромных ускорений. Возможно, что Jython и IronPython намного быстрее, чем CPython, а также поддерживаются сильно оптимизированными виртуальными машинами (JVM и .NET CLR).

Одна вещь, которая, возможно, оставит Python медленнее, однако, заключается в том, что это динамически типизируется, и есть тонны поиска для каждого доступа к атрибуту.

Например, вызов f для объекта A приведет к возможным поискам в __dict__, вызовам __getattr__ и т. д. затем, наконец, вызовите __call__ на вызываемом объекте f.

Что касается динамической типизации, существует множество оптимизаций, которые могут быть выполнены, если вы знаете, с какими типами данных вы имеете дело. Например, в Java или C, если у вас есть прямой массив целых чисел, которые вы хотите суммировать, окончательный код сборки может быть таким же простым, как выборка значения в индексе i, добавление его к accumulator, а затем увеличение i.

В Python это очень сложно сделать код оптимальным. Скажем, у вас есть объект подкласса списка, содержащий int s. Прежде чем добавить любой, Python должен вызвать list.__getitem__(i), а затем добавить его в «аккумулятор», вызвав accumulator.__add__(n), а затем повторите. Тонны альтернативных поисков могут произойти здесь, потому что другой поток, возможно, изменил, например, метод __getitem__, dict экземпляра списка или dict класса, между вызовами add или getitem. Даже поиск аккумулятора и списка (и любой переменной, которую вы используете) в локальном пространстве имен вызывает поиск в dict. Эти же накладные расходы применяются при использовании любого пользовательского объекта, хотя для некоторых встроенных типов он несколько смягчается.

Также стоит отметить, что примитивные типы, такие как bigint (int в Python 3, long in Python 2.x), список, набор, dict и т. Д. - это то, что люди много используют в Python. На этих объектах есть тонны встроенных операций, которые уже достаточно оптимизированы. Например, для примера выше вы просто вызываете sum(list) вместо использования аккумулятора и индекса. Приклеиваясь к ним и немного сокращаясь с помощью функции int / float / complex, вы, как правило, не будете иметь проблемы с производительностью, и если вы это сделаете, возможно, есть небольшая временная критическая единица (например, функция дайджест SHA2), которую вы можете просто перейдите в C (или Java-код, в Jython). Дело в том, что при кодировании C или C ++ вы будете тратить много времени на то, что вы можете сделать за несколько секунд / строк кода Python. Я бы сказал, что компромисс всегда стоит того, за исключением случаев, когда вы делаете что-то вроде встроенного или программирования в реальном времени и не можете себе это позволить.

Помимо ответов, уже опубликованных, одна вещь - способность pythons изменять вещи во время выполнения, которые вы не можете изменить, например, C. Вы можете добавлять функции-члены в классы по ходу. Кроме того, динамическая природа питонов не позволяет сказать, какие типы параметров будут переданы функции, что в свою очередь упрощает оптимизацию.

RPython кажется способ обойти проблему оптимизации.

Тем не менее, она, вероятно, не будет близка к производительности C для numcrunching и т. п.

C и C ++ компилируются в собственный код, то есть они запускаются непосредственно на CPU. Python - это интерпретируемый язык, что означает, что написанный вами код Python должен проходить через многие, многие этапы абстракции, прежде чем он станет исполняемым машинным кодом.

Python обычно реализуется как язык сценариев. Это означает, что он проходит через интерпретатор, что означает, что он переводит код «на лету» на машинный язык, а не с исполняемого файла на машинный язык с самого начала. В результате он должен оплачивать стоимость перевода кода в дополнение к его выполнению. Это справедливо даже для CPython, даже если он компилируется в байт-код, который ближе к машинному языку и поэтому может быть переведен быстрее. С Python также появляются некоторые очень полезные функции времени исполнения, такие как динамическая типизация, но такие вещи обычно не могут быть реализованы даже в наиболее эффективных реализациях без больших затрат времени исполнения.

Если вы занимаетесь очень интенсивной работой с процессорами, например, , это не редкость для Python, где-то около 200 раз медленнее, чем C ++. Если вы используете CPython, это время можно сократить вдвое, но оно все равно не так быстро. Со всеми этими лакомствами Runtmie стоит цена. Есть много тестов, чтобы показать это, и здесь особенно хороший. Как признается на первой странице, эталонные показатели ошибочны. Все они представлены пользователями, старающимися изо всех сил писать эффективный код на выбранном им языке, но он дает вам хорошую общую идею.

Я рекомендую вам попробовать смешать эти два вместе, если вас беспокоит эффективность : тогда вы можете получить лучшее из обоих миров. Я в первую очередь программист на C ++, но я думаю, что многие люди склонны кодировать слишком много обычного, высокоуровневого кода на C ++, когда это просто неприятность (время компиляции - всего один пример). Смешивание языка сценариев с эффективным языком, таким как C / C ++, который ближе к металлу, - это действительно способ сбалансировать эффективность (производительность) программиста с эффективностью обработки.