Python 为什么收款台这么慢？

我试图解决Rosalind的一个基本问题，计算给定序列中的核苷酸，并返回列表中的结果。对于那些不熟悉生物信息学的人来说，这只是计算字符串中4个不同字符（'A'、'C'、'G'、'T'）的出现次数

我认为

collections.Counter

是最快的方法（首先是因为它们声称具有高性能，其次是因为我看到很多人使用它来解决这个特定问题）

但令我惊讶的是，这种方法是最慢的

我比较了三种不同的方法，使用

timeit

并运行两种类型的实验：

• 运行长序列几次
• 多次运行短序列

这是我的密码：

import timeit
from collections import Counter

# Method1: using count
def method1(seq):
    return [seq.count('A'), seq.count('C'), seq.count('G'), seq.count('T')]

# method 2: using a loop
def method2(seq):
    r = [0, 0, 0, 0]
    for i in seq:
        if i == 'A':
            r[0] += 1
        elif i == 'C':
            r[1] += 1
        elif i == 'G':
            r[2] += 1
        else:
            r[3] += 1
    return r

# method 3: using Collections.counter
def method3(seq):
    counter = Counter(seq)
    return [counter['A'], counter['C'], counter['G'], counter['T']]


if __name__ == '__main__':

    # Long dummy sequence
    long_seq = 'ACAGCATGCA' * 10000000
    # Short dummy sequence
    short_seq = 'ACAGCATGCA' * 1000

    # Test 1: Running a long sequence once
    print timeit.timeit("method1(long_seq)", setup='from __main__ import method1, long_seq', number=1)
    print timeit.timeit("method2(long_seq)", setup='from __main__ import method2, long_seq', number=1)
    print timeit.timeit("method3(long_seq)", setup='from __main__ import method3, long_seq', number=1)

    # Test2: Running a short sequence lots of times
    print timeit.timeit("method1(short_seq)", setup='from __main__ import method1, short_seq', number=10000)
    print timeit.timeit("method2(short_seq)", setup='from __main__ import method2, short_seq', number=10000)
    print timeit.timeit("method3(short_seq)", setup='from __main__ import method3, short_seq', number=10000)

结果:

Test1: 
Method1: 0.224009990692
Method2: 13.7929501534
Method3: 18.9483819008

Test2:
Method1: 0.224207878113
Method2: 13.8520510197
Method3: 18.9861831665

对于这两个实验，方法1比方法2和方法3快得多

所以我有一系列问题：

• 我是做错了什么，还是确实比其他两种方法慢？有人可以运行相同的代码并共享结果吗

• 如果我的结果是正确的，（也许这应该是另一个问题）有没有比使用方法1更快的方法来解决这个问题

• 如果

  count

  更快，那么

  collections.Counter的处理方法是什么
  

---

这不是因为

收集。计数器
速度慢，实际上相当快，但它是一个通用工具，计数字符只是许多应用程序中的一个

另一方面，
str.count
只对字符串中的字符进行计数，并且针对其唯一的任务进行了大量优化

这意味着
str.count
可以处理底层的C-
char
数组，同时它可以避免在迭代过程中创建新的（或查找现有的）长度为1的python字符串（这是
for
和
计数器所做的）


只是为了给这句话添加更多的上下文

字符串存储为包装为python对象的C数组。
str.count
知道字符串是一个连续数组，因此将要合并的字符转换为C-“字符”，然后在本机C代码中迭代数组并检查是否相等，最后包装并返回找到的出现次数

另一方面，
for
和
Counter
使用python迭代协议。字符串的每个字符都将被包装为python对象，然后在python中进行（哈希和）比较

因此，经济放缓是因为：


每个字符都必须转换为Python对象（这是性能损失的主要原因）
循环是用Python完成的（不适用于Python3.x中的
计数器，因为它是用C重写的）

每次比较都必须在Python中完成（而不仅仅是在C中比较数字-字符由数字表示）
计数器需要散列值，循环需要索引列表


请注意，减速的原因类似于关于的问题


我做了一些额外的基准测试来找出在哪一点
集合。计数器
比
str.count
更受欢迎。为此，我创建了包含不同数量的唯一字符的随机字符串，并绘制了性能图：

from collections import Counter
import random
import string

characters = string.printable  # 100 different printable characters

results_counter = []
results_count = []
nchars = []

for i in range(1, 110, 10):
    chars = characters[:i]
    string = ''.join(random.choice(chars) for _ in range(10000))
    res1 = %timeit -o Counter(string)
    res2 = %timeit -o {char: string.count(char) for char in chars}
    nchars.append(len(chars))
    results_counter.append(res1)
    results_count.append(res2)

使用以下公式绘制结果：

Python 3.5的结果
Python3.6的结果非常相似，所以我没有明确列出它们


因此，如果要计算80个不同的字符，
计数器
会变得更快/更具可比性，因为它只遍历字符串一次，而不像
str.count那样遍历多次。这将弱依赖于字符串的长度（但测试显示只有非常微弱的差异+/-2%）

Python2.7的结果

在Python-2.7
集合中。Counter
是使用Python（而不是C）实现的，速度要慢得多。
str.count
和
计数器
的盈亏平衡点只能通过外推来估计，因为即使有100个不同的字符，
str.count
仍然要快6倍。
这里的时差很容易解释。这一切都归结为Python中运行的内容以及作为本机代码运行的内容。后者总是更快，因为它不会带来大量的评估开销

这就是为什么调用
str.count（）
四次比其他任何调用都快的原因。尽管这会将字符串迭代四次，但这些循环在本机代码中运行
str.count
是用C实现的，因此开销很小，速度很快。这真的很难克服，特别是当任务如此简单时（只寻找简单的字符相等）

第二种方法（收集数组中的计数）实际上是以下方法的一个性能较差的版本：

def method4 (seq):
    a, c, g, t = 0, 0, 0, 0
    for i in seq:
        if i == 'A':
            a += 1
        elif i == 'C':
            c += 1
        elif i == 'G':
            g += 1
        else:
            t += 1
    return [a, c, g, t]

在这里，所有四个值都是单独的变量，因此更新它们非常快。这实际上比改变列表项要快一点

但是，这里的总体性能“问题”是，这会在Python中迭代字符串。因此，这将创建一个字符串迭代器，然后单独生成每个字符作为实际的字符串对象。这是一个很大的开销，也是为什么在Python中迭代字符串的每个解决方案都会变慢的主要原因

收集计数器也存在同样的问题。因此，尽管它非常高效和灵活，但它也面临着同样的问题，即在速度方面从来没有接近于原生代码。
正如其他人已经指出的，您正在比较相当特定的代码和相当通用的代码

考虑到一些琐碎的事情，比如在你感兴趣的字符上拼写循环，已经为你买了一个因子2，即

def char_counter(text, chars='ACGT'):
    return [text.count(char) for char in chars]


%timeit method1(short_seq)
# 100000 loops, best of 3: 18.8 µs per loop
%timeit char_counter(short_seq)
# 10000 loops, best of 3: 40.8 µs per loop

%timeit method1(long_seq)
# 10 loops, best of 3: 172 ms per loop
%timeit char_counter(long_seq)
# 1 loop, best of 3: 374 ms per loop


您的
遇到了问题
def char_counter(text, chars='ACGT'):
    return [text.count(char) for char in chars]


%timeit method1(short_seq)
# 100000 loops, best of 3: 18.8 µs per loop
%timeit char_counter(short_seq)
# 10000 loops, best of 3: 40.8 µs per loop

%timeit method1(long_seq)
# 10 loops, best of 3: 172 ms per loop
%timeit char_counter(long_seq)
# 1 loop, best of 3: 374 ms per loop

%%cython -c-O3 -c-march=native -a
#cython: language_level=3, boundscheck=False, wraparound=False, initializedcheck=False, cdivision=True, infer_types=True

import numpy as np


cdef void _count_acgt(
        const unsigned char[::1] text,
        unsigned long len_text,
        unsigned long[::1] counts):
    for i in range(len_text):
        if text[i] == b'A':
            counts[0] += 1
        elif text[i] == b'C':
            counts[1] += 1
        elif text[i] == b'G':
            counts[2] += 1
        else:
            counts[3] += 1


cpdef ascii_count_acgt(text):
    counts = np.zeros(4, dtype=np.uint64)
    bin_text = text.encode()
    return _count_acgt(bin_text, len(bin_text), counts)

%timeit ascii_count_acgt(short_seq)
# 100000 loops, best of 3: 12.6 µs per loop
%timeit ascii_count_acgt(long_seq)
# 10 loops, best of 3: 140 ms per loop