与Python的速度较量：C 究竟有多快？

全文共2969字，预计学习时长8分钟

图源：unsplash

对于数据科学家而言，热爱Python的理由数不胜数。但你是否也曾问过这样的问题：Python和C或C++等更专业的低级编程语言究竟有何不同呢？我想这是很多数据科学家或者Python用户曾经问过或者将来会问自己的问题。

Python和C++类语言之间存在许多区别，本文将通过一个十分简单的例子向你展示，与Python相比，C++究竟有多快。

为了说明这种区别，本文选择一个简单实用而非想象虚构的任务：生成固定值为“k”的所有可能DNA k-mers。选择该示例，是因为与基因组相关的许多数据处理和任务分析（例如k-mers生成）都是计算密集型的，而这同样也是很多生物信息学领域的数据科学家对C++感兴趣的原因。

请注意，本文目标并不是以最有效的方式比较C++和Python。这两种代码均可采用更高效的方式和更优化的方法编写。本文的唯一目标，就是比较这两种语言在使用完全相同的算法和指令时的速度。

DNA K-mers简介

DNA是一种称为核苷酸的长链单位。在DNA中，共有4种核苷酸类型，分别用字母A、C、G和T表示。人类（更准确地说是智人）拥有核苷酸对30亿个。例如，人类DNA的一小部分可能类似于：

ACTAGGGATCATGAAGATAATGTTGGTGTTTGTATGGTTTTCAGACAATT

在此示例中，如果从该字符串中选择任意4个连续的核苷酸（即字母），它将是一个长度为4的k-mer（可称之为4-mer）。以下便是从此示例中衍生出来的一些4-mers例子：ACTA，CTAG，TAGG，AGGG，GGGA等。

难点挑战

本文以生成所有可能的13-mers为例，从数学上讲，这是一个带有替换的排列问题。因此，共有4¹³个（67108864）可能的13-mers。下面将使用一个简单的算法在C++和Python中生成结果。

方案比较

为了方便比较C++和Python在此特定挑战中的优劣，我在两种语言中使用了完全相同的算法。这两种代码均有意设计地简单而相似。同时，避免使用复杂的数据结构或第三方包或库。第一段代码采用Python编写。

defconvert(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 inrange(len_str): s += opt[0] for i inrange(len_str): s_last += opt[-1] pos =0 counter =1 while (s != s_last): counter +=1 # You can uncomment the next line to see all k-mers. # print(s) change_next =True for i inrange(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 # You canuncomment the next line to see all k-mers. # print(s) print('Number ofgenerated k-mers: {}'.format(counter)) print('Finish!')

运行Python代码，生成全部13-mers共6700万个大约需要61.23秒。为了公平比较，我注释掉了显示k-mers的行。如果想在生成k-mers时显示它们，也可以取消对这两行的注释。注意，显示全部k-mers耗时很长。如有需要，请操作CTRL+C中止代码。

现在，来看看C++中同样的算法：

#include<iostream>           #include<string>             usingnamespacestd;             charconvert(char c)           {              if (c == 'A') return'C';              if (c == 'C') return'G';              if (c == 'G') return'T';              if (c == 'T') return'A';              return' ';           }             intmain()           {              cout << 'Start' << endl;                 string opt = 'ACGT';              string s = '';              string s_last = '';              int len_str = 13;              bool change_next;                 for (int i=0; i<len_str;i++)              {                   s += opt[0];              }                 for (int i=0; i<len_str;i++)              {                   s_last += opt.back();              }                 int pos = 0;              int counter = 1;              while (s != s_last)              {                     counter ++;                   // You canuncomment the next line to see all k-mers.                   // cout << s<< endl;                    change_next = true;                   for (int i=0; i<len_str;i++)                   {                       if (change_next)                       {                           if (s[i] == opt.back())                           {                               s[i] = convert(s[i]);                               change_next = true;                           } else {                               s[i] = convert(s[i]);                               break;                           }                       }                   }              }                 // You can uncomment the next line tosee all k-mers.              // cout << s << endl;              cout << 'Number of generated k-mers: ' <<counter << endl;              cout << 'Finish!' << endl;              return0;           }

编译后，运行C++代码，生成全部13-mers共6700万个大约需要2.42秒。这意味着运行相同算法，Python用时是C++的25倍多。然后，对14-mers和15-mers重复进行此实验。汇总结果如下表所示：

比较生成13-、14-和15-mers的Python和C++运行结果。

显然，C++比Python快得多。对于大多数程序员和数据科学家而言，这是共识。但该示例表明，这种差异十分显著。

本示例并没有使用CPU或GPU并行化，因其必须针对相应类型的问题（密集并行难题）进行。此外，示例也没有大量涉及内存。如果将运行结果进行存储（出于某些特定原因），那么使用内存管理在运行C++和Python时，将产生更显著的差异。

此示例和数以千计的其他事实表明，在处理大量数据或指数增长的过程中，身为数据科学家，你应该了解C++类语言。