Почему программисты пишут программы на C++ и подобных сложных языках, если на Python синтаксис проще и можно написать программу быстрее?
В Python действительно больше синтаксического сахара, чем в C++, поэтому разрабатывать на нём проще. Однако, если не брать в расчёт синтаксис, C++ выигрывает у Python по следующим причинам:
1) С++ является языком со статичной типизацией, поэтому соответствия данных заданным типам выполняются на этапе компиляции. В Python динамическая типизация, данные могут быть какого угодно типа на этапе компиляции, а проверки на соответствие производятся на этапе выполнения программы. Так же в статической типизации структура переменной — это указатель на адрес в стеке или в куче, где лежит значение. В Python структура переменной — это указатель на структуру, в которой есть указатель на адрес структуры типа данных и указатель на адрес значения. Очевидно, что C++ здесь выигрывает по компактности хранения данных и по скорости доступа к ним. Если приложение работает с большими объёмами данных и хранит их в памяти, борьба за скорость и экономию RAM идёт не на уровне байтов, а даже битов. В этом случае выбор C++ является скорее необходимостью.
2) В C++ широкие возможности по управлению памятью. Когда и где выделить память под объект и высвободить память, решает программист. В Python же программист полностью лишен рычагами управления памятью. Положить данные на стек или в кучу, и когда освободить память, решает язык. Здесь C++ тоже выигрывает, т.к. возможно более рациональное управление памятью, и нет, хоть и небольших, но всё таки затрат на сборку мусора.
Python — прекрасный выбор для реализации небольших приложений, или в качестве языка скриптов (например, plpython3u в PostgreSQL). Но, в приложениях, где критическим является экономия ресурсов и скорость доступа к данным, лучше рассмотреть язык со строгой типизацией.
Сравнение скорости Python и C++
Прим. ред. Это перевод статьи Назера Тамими. Мнение редакции может не совпадать с мнением автора оригинала.
Есть миллион причин любить Python (особенно если вы дата-сайентист). Но насколько Python отличается от низкоуровневых языков, таких как Си и C++? В этой статье я собираюсь сделать сравнение скорости Python и C++, на очень простом примере.
Мы будем генерировать все возможные k-меры ДНК, для фиксированного
значения «k». О том, что такое k-меры, я расскажу чуть позже. Этот пример был выбран потому, что многие задачи обработки и анализа данных связанные с геномом, считаются ресурсоёмкими. Поэтому, многие дата-сайентисты связанные с биоинформатикой, интересуются C++ (в дополнение к Python).
Важное замечание: цель этой статьи не сравнить скорость С++ и Python когда они наиболее эффективны. Код предлагаемых программ можно сделать гораздо более быстрым. Цель этой статьи — сравнить два языка, используя один и тот же алгоритм и код.
Введение в k-меры ДНК
ДНК — это длинная цепь нуклеотидов. Эти нуклеотиды могут быть четырёх типов: A, C, G и T. У вида Homo Sapiens около 3 миллиардов пар нуклеотидов. Вот небольшой кусок ДНК человека:
ACTAGGGATCATGAAGATAATGTTGGTGTTTGTATGGTTTTCAGACAATTЧтобы получить из него k-меры нужно разбить строку на части:
ACTA, CTAG, TAGG, AGGG, GGGA и т. д.Эти последовательности из четырех символов называются k-меры длина которых равна четырём (4-меры).
Задача
Мы сгенерируем всё возможные 13-меры. Математически — это перестановка с проблемой замены. Следовательно мы имеем 4 в степени 13 (67 108 864) вариантов 13-меров.
Сравнение скорости Python и С++
Мы будем использовать один и тот же алгоритм для двух языков. Код на обоих языках намеренно написан аналогично и просто. Я не использовал сложные структуры данных и сторонние библиотеки. Вот код программы на Python:
def convert(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 in range(len_str): s += opt[0] for i in range(len_str): s_last += opt[-1] pos = 0 counter = 1 while (s != s_last): counter += 1 # Следующая строка выводит результаты # print(s) change_next = True for i in range(len_str): if (change_next): if (s[i] == opt[-1]): s = s[:i] + convert(s[i]) + s[i+1:] change_next = True else: s = s[:i] + convert(s[i]) + s[i+1:] break # Следующая строка выводит результаты # print(s) print("Number of generated k-mers: <>".format(counter)) print("Finish!")Выполнение этой программы займет 61.23 секунды. За это время сгенерируется 67 миллионов 13-меров. Чтобы не увеличивать время работы программы я закомментировал код выводящий результаты (25 и 37 строки). Если вы захотите запустить этот код и отобразить результаты, имейте ввиду, что это будет очень долго. Чтобы остановить выполнение программы вы можете нажать на клавиатуре CTRL+С.
Теперь посмотрим тот же алгоритм на языке C++:
#include #include using namespace std; char convert(char c) < if (c == 'A') return 'C'; if (c == 'C') return 'G'; if (c == 'G') return 'T'; if (c == 'T') return 'A'; return ' '; >int main() < cout for (int i=0; i int pos = 0; int counter = 1; while (s != s_last) < counter ++; //// cout else < s[i] = convert(s[i]); break; >> > > //Следующая строка выводит результатыСледующая строка выводит результаты// cout
В таблице указаны результаты тестов для 13, 14, и 15-меров.
После компиляции, этот код выполнится за 2.42 секунды. Получается что Python требуется в 25 раз больше времени на эту задачу. Я повторил эксперимент с 14 и 15-мерами (это можно указать на 12 строке в Python и на 22 в C++) Теперь мы видим, что производительность этих двух языков, при выполнении одной и той же задачи, значительно различается.
Я повторюсь, обе программы далеки от идеала и могут быть значительно опимизированы. Например, мы не использовали параллельные вычисления на CPU или GPU. Но для таких задач это необходимо. Также мы не храним результаты. Хотя управление памятью в Python и C++ значительно влияет на производительность.
Этот пример и тысячи других задач, подтверждают, что дата-сайентистам стоит обращать внимание на C++ и подобные ему языки, когда нужно работать с большими массивами данных или требующими большой производительности процессами.
Python vs C. Какой из них быстрее?
Всем привет!
В интернете пишут, что самый быстрый язык программирования — язык C. И с этим не поспорить, потому что он работает на более низком уровне, чем Python. Но сейчас для интереса я запустил обычный цикл While от нуля до миллиона, и Python выполнился НАМНОГО быстрее, чем на C.
В чем проблема? Или это миф, что C быстрее, чем Python?
#include int main() < long long int i = 0; while (i < 1000000) < printf("%d\n", i); i++; >return 0; >Простой 5 комментариев
Или у меня глюк, или практически слово в слово подобные вопросы задают с завидной регулярностью. Неужели трудно воспользоваться поиском вместо того чтобы спрашивать откровенную ерунду?
Хорошо написанный, и скомпилированный в -o3 код на си, как правило, будет быстрее и эффективнее аналогичного кода на питоне.
В вашем случае неизвестно, почему вы могли получить такие результаты (даже не сказано, какие)
А какой используется интерпретатор?
А как был скомпилирован код на си?
На одном и том же железе происходил запуск? Условия равны?
Чем print на питоне отличается от сишного printf?
Как вообще происходил замер? Было ли учтено время на запуск интерпретатора?
Сколько было замеров? Может в случае с си был аномально медленный прогон?
UPD: Короче хз, как вы там меряли, но вот мой вариант
Для C я использовал Tiny C compiler, чтобы дать питону фору (будет учитываться время на компиляцию), да и оптимизации тут будут не такие дикие, как в GCC
Чтобы не тестировать скорость вывода на экран — вывод я перенаправил в /dev/null (Хз что это за заклинание такое, но я его нашёл на SO)
Запускал всё на WSL2 по одному разу, но в принципе результат очень даже стабилен.
Вот результат:
vabka@DESKTOP-7AFIA69:~/repos$ time (python3 test.py) 2>&1 1>/dev/null real 0m0.381s user 0m0.359s sys 0m0.016s vabka@DESKTOP-7AFIA69:~/repos$ time (tcc -run test.c) 2>&1 1>/dev/null real 0m0.081s user 0m0.047s sys 0m0.031s vabka@DESKTOP-7AFIA69:~/repos$ cat test.c #include int main() < int i = 0; while(i < 1000000) < printf("%d\n", i); i++; >return 0; > vabka@DESKTOP-7AFIA69:~/repos$ cat test.py i = 0 while i < 1000000: print(i) i += 1 vabka@DESKTOP-7AFIA69:~/repos$Питон получился в 4 раза медленнее.
Вот ещё результат без /dev/null:
Для C:
real 0m58.757s user 0m1.094s sys 0m11.078sreal 1m1.762s user 0m2.953s sys 0m13.594sРезультат тоже хуже, но тут очень много времени тратится на вывод в консоль, по тому разница почти не видна.