比较python factorial的性能（math与scipy）

为什么math.factorial比scipy.special.factorial快得多

---

我使用的是Python 3.7 scipy版本是1.1.0这是一个常见的错误，类似于期望np.exp之类的东西比数学模块工作得更快。这不是这些职能的目的。科学堆栈NumPy、Pandas、SciPy和其他人关注的是跨数组的矢量化方法，而不是单个值

from math import factorial

factorial([20, 20, 20])

这将给出TypeError：获取类型列表时需要一个整数

但是：

将计算整个列表的阶乘，给出：

array([2.43290201e+18, 2.43290201e+18, 2.43290201e+18])

---

如果您将math.factorial计算放入for循环以覆盖列表中的多个项目，它将很快在计时方面落后于矢量化方法，如果您首先提供NumPy数组而不是列表，则矢量化方法会更快这是一个常见错误，类似于期望像np.exp这样的东西比数学模块工作得更快。这不是这些职能的目的。科学堆栈NumPy、Pandas、SciPy和其他人关注的是跨数组的矢量化方法，而不是单个值

from math import factorial

factorial([20, 20, 20])

这将给出TypeError：获取类型列表时需要一个整数

但是：

将计算整个列表的阶乘，给出：

array([2.43290201e+18, 2.43290201e+18, 2.43290201e+18])

如果将math.factorial计算放入for循环以覆盖列表中的多个项，与矢量化方法相比，它在计时方面会很快落后，如果您首先提供一个NumPy数组而不是一个列表，那么矢量化方法会更快

当exact=True时，scipy函数实际上只是充当math.factorial的包装器，请参见…因此我猜额外的时间只是参数检查的开销逻辑和额外的函数调用

当exact=False或未指定时，您使用的是近似值，这将比n的小值的精确计算慢。

当exact=True时，scipy函数实际上只是充当数学的包装器。factorial请参见……因此我猜额外的时间只是参数检查逻辑和额外函数调用的开销

当exact=False或未指定时，您使用的是近似值，这将比精确计算小值n要慢。

math.factorial是python内置函数，它不会编译为python字节码，实际上是在执行c代码

您可以在其他函数中看到类似的行为，例如numpy cos/sin等。

math.factorial是一个python内置函数，它不会编译为python字节码，实际上是在执行c代码

---

您可以在其他函数中看到类似的行为，如numpy cos/sin等。

除了前面提到的有关scipy目标向量化输入的事实之外，您在这里使用了一个非常小的测试用例-如果您扩展它，它将不那么清楚：

import timeit

for z in range(20,100000,10000):
    t1 = timeit.timeit(f"from math import factorial; factorial({z})",number=10)
    t2 = timeit.timeit(f"from scipy.special import factorial; factorial({z})",number=10)
    t3 = timeit.timeit(f"from scipy.special import factorial; factorial({z}, exact=True)",number=10)
    print(f"{z}  : {t1:<20}  {t2:<20}  {t3:<20}")

通过使用更大范围的输入，您可以看到它并不总是更快

如果做计时，总是考虑少量和大量的数据与正常量

---

*返回z>170的inf-因此没有认真计算它，而且计时也有偏差

除了已经提到的关于scipy目标向量化输入的事实之外-您在这里使用了一个非常小的测试用例-如果您扩大它，它将不那么清楚：

import timeit

for z in range(20,100000,10000):
    t1 = timeit.timeit(f"from math import factorial; factorial({z})",number=10)
    t2 = timeit.timeit(f"from scipy.special import factorial; factorial({z})",number=10)
    t3 = timeit.timeit(f"from scipy.special import factorial; factorial({z}, exact=True)",number=10)
    print(f"{z}  : {t1:<20}  {t2:<20}  {t3:<20}")

通过使用更大范围的输入，您可以看到它并不总是更快

如果做计时，总是考虑少量和大量的数据与正常量

---

*返回z>170的inf-因此不认真计算它，并且计时有偏差

这没有意义。OP观察到math.factorial的工作速度比SciPy等价物快。这正是应该发生的事情，而SciPy等价物编译成字节码并执行得更慢，math.factorial只调用c函数，速度更快。不，SciPy将把计算降到编译的c代码中。问题是这样做会有一些开销。这个函数从来就不应该在scalars上调用。我不知道你在争论什么，我们说的是同一件事。SciPy调用有开销，它编译成python字节码并执行。factorial math.factorial没有任何开销，甚至没有将其编译成字节码，并立即执行c代码。我想这是一场关于标量的毫无意义的辩论。这毫无意义。OP观察到math.factorial的工作速度比SciPy等价物快。这正是应该发生的事情，而SciPy等价物编译成字节码并执行得更慢，math.factorial只调用c函数，速度更快。不，SciPy将把计算降到编译的c代码中。问题是这样做会有一些开销。这个函数从来就不应该在scalars上调用。我不知道你在争论什么，我们说的是同一件事。SciPy调用有开销，它编译成python字节码并执行。并且比ma有更多的功能

---

factorial math.factorial完全没有开销，甚至不需要将其编译成字节码，并立即执行c代码。这很公平。我想这是一场关于标量的毫无意义的辩论。