亚洲免费在线-亚洲免费在线播放-亚洲免费在线观看-亚洲免费在线观看视频-亚洲免费在线看-亚洲免费在线视频

通過實例淺析Python對比C語言的編程思想差異

系統 1994 0

我一直使用 Python,用它處理各種數據科學項目。 Python 以易用聞名。有編碼經驗者學習數天就能上手(或有效使用它)。

聽起來很不錯,不過,如果你既用 Python,同時也是用其他語言,比如說 C 的話,或許會存在一些問題。

給你舉個我自己經歷的例子吧。 我精通命令式語言,如 C 和 C++。對古老經典的語言如 Lisp 和 Prolog 能熟練使用。另外,我也用過 Java,Javascript 和 PHP 一段時間。(那么,學習) Python 對我來講不是很簡單嗎?事實上,只是看起來容易,我給自己挖了個坑:我像用 C 一樣去用 Python。

具體情況,請向下看。

一個最近的項目中,需要處理地理空間數據。給出(任務)是 gps 追蹤 25,000 個左右位置點,需要根據給定的經緯度,重復定位距離最短的點。我第一反應是,翻查(已經實現的)計算已知經緯度兩點間距離的代碼片段。代碼可以在 John D. Cook 寫的這篇 code available in the public domain 中找得到。

萬事俱備! 只要寫一段 Python 函數,返回與輸入坐標距離最短的點索引(25,000 點數組中的索引),就萬事大吉了:

            
def closest_distance(lat,lon,trkpts):
  d = 100000.0
  best = -1
  r = trkpts.index
  for i in r:
    lati = trkpts.ix[i,'Lat']
    loni = trkpts.ix[i,'Lon']
    md = distance_on_unit_sphere(lat, lon, lati, loni)
    if d > md
      best = i
      d = md
  return best

          

其中, distance_on_unit_sphere 是 John D. Cook's 書中的函數,trkpts 是數組,包含 gps 追蹤的點坐標(實際上,是 pandas 中的數據幀,注,pandas 是 python 第三方數據分析擴展包)。

上述函數與我以前用 C 實現的函數基本相同。 它遍歷(迭代)trkpts 數組,將迄今為止(距離給定坐標位置)的距離最短的點索引值,保存到本地變量 best 中。

目前為止,情況還不錯,雖然 Python 語法與 C 有很多差別,但寫這段代碼,并沒有花去我太多時間。

代碼寫起來快,但執行起來卻很慢。例如,我指定428 個點,命名為waypoints(導航點,路點,導航路線中的關鍵點)。導航時,我要為每個導航點 waypoint 找出距離最短的點。為 428 個導航點 waypoint 查找距離最短點的程序,在我的筆記本上運行了 3 分 6 秒。

之后,我改為查詢計算曼哈坦距離,這是近似值。我不再計算兩點間的精確距離,而是計算東西軸距離和南北軸距離。計算曼哈坦距離的函數如下:

            
def manhattan_distance(lat1, lon1, lat2, lon2):
  lat = (lat1+lat2)/2.0
  return abs(lat1-lat2)+abs(math.cos(math.radians(lat))*(lon1-lon2))

          

實際上,我用了一個更簡化的函數,忽略一個因素,即維度曲線上 1 度差距比經度曲線上的 1 度差距要大得多。簡化函數如下:

            
def manhattan_distance1(lat1, lon1, lat2, lon2):
  return abs(lat1-lat2)+abs(lon1-lon2)

          

closest 函數修改為:

            
def closest_manhattan_distance1(lat,lon,trkpts):
  d = 100000.0
  best = -1
  r = trkpts.index
  for i in r:
    lati = trkpts.ix[i,'Lat']
    loni = trkpts.ix[i,'Lon']
    md = manhattan_distance1(lat, lon, lati, loni)
    if d > md
      best = i
      d = md
  return best

          

如果將 Manhattan_distance 函數體換進來,速度還可以快些:

            
def closest_manhattan_distance2(lat,lon,trkpts):
  d = 100000.0
  best = -1
  r = trkpts.index
  for i in r:
    lati = trkpts.ix[i,'Lat']
    loni = trkpts.ix[i,'Lon']
    md = abs(lat-lati)+abs(lon-loni)
    if d > md
      best = i
      d = md
  return best

          

在計算的最短距離點上,用這個函數與用 John's 的函數效果相同。我希望我的直覺是對的。越簡單就越快?,F在這個程序用了 2 分 37 秒。提速了 18%。 很好,但還不夠激動人心。

我決定正確使用 Python。這意味著要利用 pandas 支持的數組運算。這些數組運算操作源于 numpy 包。通過調用這些數組操作,代碼實現更簡練:

            
def closest(lat,lon,trkpts):
  cl = numpy.abs(trkpts.Lat - lat) + numpy.abs(trkpts.Lon - lon)
  return cl.idxmin()

          

該函數與之前函數的返回結果相同。在我的筆記本上運行時間花費了 0.5 秒。整整快了 300 倍! 300 倍,,也即30,000 %。不可思議。 提速的原因是 numpy 數組操作運算用 C 實現。因此, 我們將最好的兩面結合起來了: 我們得到 C 的速度和 Python 的簡潔性。

教訓很明確:別用 C 的方式寫 Python 代碼。用 numpy 數組運算,不要用數組遍歷。對我來說,這是思維上的轉變。

Update on July 2, 2015。文章討論在Hacker News。一些評論沒有注意到(missed )我用到了 pandas 數據幀的情況。主要是它在數據分析中很常用。如果我只是要快速的查詢最短距離點,且我時間充分,我可以使用 C 或 C++ 編寫四叉樹(實現)。

Second update on July 2, 2015。有個評論提到 numba 也能對代碼提速。我就試了一下。

這是我的做法,與你的情況不一定相同。 首先,要說明的是,不同的 python 安裝版,實驗的結果不一定相同。我的實驗環境是 windows 系統上安裝 Anaconda,同時也安裝了一些擴展包??赡苓@些包和 numba 存在干擾。.

首先,輸入下面的安裝命令,安裝 numba:

            
$ conda install numba


          

這是我命令行界面上的反饋:

之后我發現,numba 在 anaconda 安裝套件中已存在。 也可能安裝指令有變更也說不定。

推薦的 numba 用法:

            
@jit
def closest_func(lat,lon,trkpts,func):
  d = 100000.0
  best = -1
  r = trkpts.index
  for i in r:
    lati = trkpts.ix[i,'Lat']
    loni = trkpts.ix[i,'Lon']
    md = abs(lat - lati) + abs(lon - loni)
    if d > md:
      #print d, dlat, dlon, lati, loni
      best = i
      d = md
  return best

          

我沒有發現運行時間提高。我也嘗試了更積極的編譯參數設置:

            
@jit(nopython=True)
def closest_func(lat,lon,trkpts,func):
  d = 100000.0
  best = -1
  r = trkpts.index
  for i in r:
    lati = trkpts.ix[i,'Lat']
    loni = trkpts.ix[i,'Lon']
    md = abs(lat - lati) + abs(lon - loni)
    if d > md:
      #print d, dlat, dlon, lati, loni
      best = i
      d = md
  return best

          

這次運行代碼時,出現一個錯誤:

看來,pandas 比 numba 處理代碼更智能。

當然,我也能花時間修改數據結構,使 numba 能正確編譯(compile)??墒牵覟槭裁匆@么干呢? 用 numpy 寫的代碼運行的足夠快了。反正,我一直在用 numpy 和 pandas 。為什么不繼續用呢?

也有建議我用pypy。這當然有意義,不過…我用的是托管服務器上的 Jupyter notebooks(注,在線瀏覽器的 python 交互式開發環境)。我用的是它提供的 python 內核,也即,官方的(regular)Python 2.7.x 內核。并沒有提供 Pypy 選擇。

也有建議用 Cython。好吧,如果我回頭要編譯代碼 ,那我干脆直接用 C 和 C++ 就好了。我用 python,是因為,它提供了基于 notebooks(注:網頁版在線開發環境)的交互式特性,可以快速原型實現。這卻不是 Cython 的設計目標。


更多文章、技術交流、商務合作、聯系博主

微信掃碼或搜索:z360901061

微信掃一掃加我為好友

QQ號聯系: 360901061

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。

【本文對您有幫助就好】

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長會非常 感謝您的哦?。?!

發表我的評論
最新評論 總共0條評論
主站蜘蛛池模板: 一级毛片免费视频 | 污视频在线网站 | 韩国高清不卡一区二区 | 天天射夜夜操 | 国产在线精品观看 | 国产手机在线精品 | 亚洲专区欧美专区 | 亚洲狠狠色丁香婷婷综合 | 伊人久久精品成人网 | 亚洲国产精品一区二区第四页 | 亚洲日本综合 | 韩国网站爱久久 | 久久精品99 | 五月免费视频 | 九九这里只有精品视频 | 一级香蕉免费毛片 | 在线观看亚洲免费 | 91视频欧美 | 欧美成人七十二式性视频教程 | 欧美一级毛片免费播放aa | 欧美一级特黄特黄毛片 | 亚洲网在线 | 一区二区三区中文 | 99久久这里只精品麻豆 | 国产高清在线精品 | 欧美大片a一级毛片视频 | 久青草免费在线视频 | 欧美成人全部免费观看1314色 | 干美女在线视频 | 久久亚洲综合伊人 | 日韩中文字幕精品视频在线 | 欧美午夜伦y4480私人影院 | 日本性网址 | 天天插天天射天天操 | 色婷婷色综合激情国产日韩 | 日本午夜影院 | 国产午夜亚洲精品不卡福利 | 免费一级特黄特色黄大任片 | 精品久久久久久久久久 | 99国产热| 久久爱影视i|