在这个简单的例子中，为什么Matlab看起来比Python慢得多

我最近问。我得到了两个答案，这对我很有帮助，但根据我的时间安排，所有的Matlab解决方案似乎都比Numpy解决方案慢得多。不同函数的代码可以在我前面的问题中找到，但为了了解我在做什么，我给出了Numpy“循环”解决方案，这当然不是最快的解决方案，但可能是最简单的：

def dealiasing2d(where, data):
    nk, n0, n1 = data.shape
    for i0 in xrange(n0):
        for i1 in xrange(n1):
            if where[i0, i1]:
                data[:, i0, i1] = 0.

我获得（使用Matlab R2014b和与Blas和Lapack链接的“基本”Numpy 1.9.1）（

n0=n1=N

）：

在我看来，这些结果很奇怪。对我来说，Numpy和Matlab在科学计算方面非常相似，因此性能应该是相似的，而这里的系数不止10！所以我的第一个猜测是，我比较这两种语言的方式有问题。另一种可能是我的Matlab设置有问题，但我不明白为什么。还是Matlab和Numpy之间的真正深刻区别

是否有人可以对这些函数计时以验证这些结果？你知道为什么在这个简单的例子中Matlab看起来比Python慢很多吗

为了给Matlab函数计时，我使用了一个包含以下内容的文件：

N = 500;
n0 = N;
n1 = N;
nk = 500;
disp(['N = ', num2str(N), ' ; nk = ', num2str(nk)])

where = false([n1, n0]);
where(1:100, 1:100) = 1;
data = (5.+1i)*ones([n1, n0, nk]);

disp('time dealiasing2d_loops:')
time = timeit(@() dealiasing2d_loops(where, data));
disp(['     ', num2str(time), ' s'])

disp('time dealiasing2d_find:')
time = timeit(@() dealiasing2d_find(where, data));
disp(['     ', num2str(time), ' s'])

disp('time dealiasing2d_bsxfun:')
time = timeit(@() dealiasing2d_bsxfun(where, data));
disp(['     ', num2str(time), ' s'])

disp('time dealiasing2d_bsxfun2:')
time = timeit(@() dealiasing2d_bsxfun2(where, data));
disp(['     ', num2str(time), ' s'])

disp('time dealiasing2d_repmat:')
time = timeit(@() dealiasing2d_repmat(where, data));
disp(['     ', num2str(time), ' s'])

我使用

from __future__ import print_function

import numpy as np
from timeit import timeit, repeat

import_lines = {
    'numpy_bad': 'from dealiasing_numpy_bad import dealiasing2d as dealiasing',
    'numpy': 'from dealiasing_numpy import dealiasing'}
tools = import_lines.keys()

time_approx_one_bench = 5.

setup = """
import numpy as np

N = 500
n0, n1 = N, N
nk = 500
where = np.zeros((n0, n1), dtype=np.uint8)
where[0:100, 0:100] = 1
data = (5.+1j)*np.ones((nk, n0, n1), dtype=np.complex128)
"""
exec(setup)

print('n0 = n1 = {}, nk = {}'.format(N, nk))
print(13*' ' + 'min          mean')
durations = np.empty([len(tools)])

for it, tool in enumerate(tools):
    setup_tool = import_lines[tool] + setup
    duration = timeit(setup_tool + 'dealiasing(where, data)', number=1)
    nb_repeat = int(round((time_approx_one_bench - duration)/duration))
    nb_repeat = max(1, nb_repeat)
    ds = np.array(repeat('dealiasing(where, data)',
                         setup=setup_tool, number=1, repeat=nb_repeat))
    duration = ds.min()
    print('{:11s} {:8.2e} s ; {:8.2e} s'.format(
        tool.capitalize() + ':', duration, ds.mean()))
    durations[it] = duration

fastest = tools[durations.argmin()].capitalize()

durations = durations / durations.min()
print('Durations normalized by the fastest method (' + fastest + '):')
for it, tool in enumerate(tools):
    print('{:11s} {:8.3f}'.format(tool.capitalize() + ':', durations[it]))

---

我认为这主要与复制

数据

变量有关。如果你把事情安排好，让MATLAB的“写上拷贝”行为对你有利，你可以得到相当不错的时间。我使用线性索引编写了一个简单的版本

function data = dealiasing2d2(where_dealiased, data)
[n1, n2, nk] = size(data);
where_li = find(where_dealiased);
for idx = 1:nk
  offset = n1 * n2 * (idx-1);
  data(where_li + offset) = 0;
end

我是这样运行的（请注意，

timed

是一个函数，而不是一个允许重复使用

数据的脚本，这一点很重要）

这在运行R2014b的GLNXA64机器上运行时间为
0.00437
秒。
不确定这是否有帮助，但。。。有一件事可能会使测试产生偏差，那就是在MATLAB中调用匿名函数的速度非常慢。匿名函数实际上是最慢的，部分原因是它们需要重新创建调用它们的工作区的一部分。其次（但这是个人偏好）——我不喜欢timeit（），因为它计算的是执行时间的中位数，而不是最小值。这意味着在对函数计时时，开销非常大。这里有一个语言比较：---在基准测试上，大多数情况下没有数组矢量化。Python解释器的速度在这个基准测试中似乎相当一致。
function data = dealiasing2d2(where_dealiased, data)
[n1, n2, nk] = size(data);
where_li = find(where_dealiased);
for idx = 1:nk
  offset = n1 * n2 * (idx-1);
  data(where_li + offset) = 0;
end

function timed
N = 2000;
nk = 10;

where = false([N, N]);
where(1:100, 1:100) = 1;
data = (5.+1j)*ones([N, N, nk]);
tic, data = dealiasing2d2(where,data); toc