比较R和Python的矢量化和优化

Question

在R语言中，可以通过使用purrr::map()或furrr::future_map()函数来实现优化。然而，我不确定优化是如何为^{}方法工作的。实际上，我想了解Python和R在复杂性和性能方面如何扩展到并行处理[1,2]

因此，出现了以下问题：

与R语言中的purrr::map()和furrr::future_map()函数相比，Python中的^{}优化是如何工作的

通过对purrr/furrr进行一个简单的tictoc测试，我可以观察到，在这两种情况下，矢量化都取得了巨大的成功。尽管如此，我也可以注意到结果似乎表明R语言从根本上说是更快的

Python

import time

a = np.random.rand(1000000)
b = np.random.rand(1000000)

tic = time.time()
c = np.dot(a,b)
toc = time.time()

print ("Vectorized version:" + str(1000*(toc-tic)) +"ms")

c = 0
tic = time.time()
for i in range(1000000):
  c += a[i]*b[i]
toc = time.time()

print("For loop:" + str(1000*(toc-tic)) +"ms")

输出

矢量化版本：54.151296615600586ms

对于循环：676.0082244873047ms

R

a <- runif(1000000,0,1)
b <- runif(1000000,0,1)

c = 0
tictoc::tic()
c = sum(a * b)
tictoc::toc()

c = 0
tictoc::tic()
  for (i in 1:length(a)) {
    c = a[i]*b[i] + c
  }
tictoc::toc()

输出

矢量化版本：0.013秒

对于循环：0.065秒

参考资料

[1]Ross Ihaka&；Robert Gentler（1996）R:数据分析和图形语言，计算和图形统计杂志，5:3299-314，DOI:10.1080/10618600.1996.10474713

[2]S.van der Walt、S.C.Colbert和G.Varoquaux，“NumPy阵列：高效数值计算的结构”，摘自《科学与技术计算》；《工程》，第13卷，第2期，第22-30页，2011年3月至4月，内政部：10.1109/MCSE.2011.37

Answer 1

我相信numpy将它的一些“原始”对象包装在包装类中，这些包装类本身就是Python（例如thisone）。 当查看R镜像源代码时，我发现一个array类基本上是本机代码（aka C）。 我想，仅仅是那个额外的间接层就可以解释速度上的差异