为什么收款台这么慢？

Question

我试图解决Rosalind的一个基本问题，计算给定序列中的核苷酸，并返回列表中的结果。对于那些不熟悉生物信息学的人来说，这只是计算字符串中4个不同字符（'A'、'C'、'G'、'T'）的出现次数。

我认为collections.Counter是最快的方法（首先是因为它们声称具有高性能，其次是因为我看到很多人使用它来解决这个特定问题）。

但令我惊讶的是，这种方法是最慢的！

我比较了三种不同的方法，使用timeit并运行两种类型的实验：

• 多次运行长序列

这是我的代码：

import timeit
from collections import Counter

# Method1: using count
def method1(seq):
    return [seq.count('A'), seq.count('C'), seq.count('G'), seq.count('T')]

# method 2: using a loop
def method2(seq):
    r = [0, 0, 0, 0]
    for i in seq:
        if i == 'A':
            r[0] += 1
        elif i == 'C':
            r[1] += 1
        elif i == 'G':
            r[2] += 1
        else:
            r[3] += 1
    return r

# method 3: using Collections.counter
def method3(seq):
    counter = Counter(seq)
    return [counter['A'], counter['C'], counter['G'], counter['T']]


if __name__ == '__main__':

    # Long dummy sequence
    long_seq = 'ACAGCATGCA' * 10000000
    # Short dummy sequence
    short_seq = 'ACAGCATGCA' * 1000

    # Test 1: Running a long sequence once
    print timeit.timeit("method1(long_seq)", setup='from __main__ import method1, long_seq', number=1)
    print timeit.timeit("method2(long_seq)", setup='from __main__ import method2, long_seq', number=1)
    print timeit.timeit("method3(long_seq)", setup='from __main__ import method3, long_seq', number=1)

    # Test2: Running a short sequence lots of times
    print timeit.timeit("method1(short_seq)", setup='from __main__ import method1, short_seq', number=10000)
    print timeit.timeit("method2(short_seq)", setup='from __main__ import method2, short_seq', number=10000)
    print timeit.timeit("method3(short_seq)", setup='from __main__ import method3, short_seq', number=10000)

结果：

Test1: 
Method1: 0.224009990692
Method2: 13.7929501534
Method3: 18.9483819008

Test2:
Method1: 0.224207878113
Method2: 13.8520510197
Method3: 18.9861831665

对于这两个实验，方法1都比方法2和3快得多！！

所以我有一系列问题：

>

是我做错了什么，还是确实比其他两种方法慢？有人能运行相同的代码并共享结果吗？

如果我的结果是正确的，（也许这应该是另一个问题）有没有比使用方法1更快的方法来解决这个问题？

如果count更快，那么collections.Counter的处理方法是什么？




Answer 1

正如其他人已经指出的，您正在比较相当具体的代码和相当一般的代码。

考虑到在你感兴趣的字符上拼写循环的琐碎的事情已经为你买了一个因子2，即

def char_counter(text, chars='ACGT'):
    return [text.count(char) for char in chars]


%timeit method1(short_seq)
# 100000 loops, best of 3: 18.8 µs per loop
%timeit char_counter(short_seq)
# 10000 loops, best of 3: 40.8 µs per loop

%timeit method1(long_seq)
# 10 loops, best of 3: 172 ms per loop
%timeit char_counter(long_seq)
# 1 loop, best of 3: 374 ms per loop

您的method 1（）是最快的，但不是最有效的，因为输入完全是针对您正在检查的每个字符循环的，因此不会利用这样一个事实，即一旦分配了字符，您可以轻松地短路循环到其中一个角色类。

不幸的是，Python没有提供一个快速的方法来利用你的问题的特定条件。然而，您可以使用Cython来实现这一点，然后您将能够超越您的method 1（）：

%%cython -c-O3 -c-march=native -a
#cython: language_level=3, boundscheck=False, wraparound=False, initializedcheck=False, cdivision=True, infer_types=True

import numpy as np


cdef void _count_acgt(
        const unsigned char[::1] text,
        unsigned long len_text,
        unsigned long[::1] counts):
    for i in range(len_text):
        if text[i] == b'A':
            counts[0] += 1
        elif text[i] == b'C':
            counts[1] += 1
        elif text[i] == b'G':
            counts[2] += 1
        else:
            counts[3] += 1


cpdef ascii_count_acgt(text):
    counts = np.zeros(4, dtype=np.uint64)
    bin_text = text.encode()
    return _count_acgt(bin_text, len(bin_text), counts)

%timeit ascii_count_acgt(short_seq)
# 100000 loops, best of 3: 12.6 µs per loop
%timeit ascii_count_acgt(long_seq)
# 10 loops, best of 3: 140 ms per loop

Answer 2

这里的时差很容易解释。这一切都归结为Python中运行的内容以及作为本机代码运行的内容。后者总是更快，因为它不会带来大量的评估开销。

这就是为什么调用str.count（）四次比其他任何调用都快的原因。尽管这会将字符串迭代四次，但这些循环在本机代码中运行str.count是用C实现的，因此开销很小，速度很快。这真的很难克服，特别是当任务如此简单时（只寻找简单的字符相等）。

第二种方法（收集数组中的计数）实际上是以下方法的一个性能较差的版本：

def method4 (seq):
    a, c, g, t = 0, 0, 0, 0
    for i in seq:
        if i == 'A':
            a += 1
        elif i == 'C':
            c += 1
        elif i == 'G':
            g += 1
        else:
            t += 1
    return [a, c, g, t]

在这里，所有四个值都是单独的变量，因此更新它们非常快。这实际上比改变列表项要快一点。

然而，这里的总体性能“问题”是这在Python中迭代字符串。因此，这创建了一个字符串迭代器，然后将每个字符单独生成为实际的字符串对象。这是很大的开销，也是为什么通过在Python中迭代字符串来工作的每个解决方案都会变慢的主要原因。

集合也存在同样的问题。计数器.它是在Python中实现的，所以即使它非常高效和灵活，它也面临着同样的问题，那就是它在速度方面从来都不接近本机。

Answer 3

这并不是因为collections.Counter速度慢，实际上相当快，但它是一个通用工具，计数字符只是许多应用程序中的一个。

另一方面，str.count只对字符串中的字符进行计数，并且针对其唯一的任务进行了大量优化。

这意味着str.count可以处理底层的C-char数组，同时它可以避免在迭代过程中创建新的（或查找现有的）长度为1的python字符串（这是for和计数器所做的）。

只是为了给这句话增加一些背景。

字符串存储为C数组，包装为python对象。str.count知道字符串是一个连续数组，因此将您想要的字符转换为C-字符，然后在本机C代码中遍历数组并检查是否相等，最后换行并返回发现的出现次数。

另一方面，for和Counter使用python迭代协议。字符串的每个字符都将被包装为python对象，然后在python中进行（哈希和）比较。

因此，经济放缓是因为：

• 每个字符都必须转换为Python对象（这是性能损失的主要原因）
• 循环是用Python完成的（不适用于Python3.x中的计数器，因为它是用C重写的）
• 每次比较都必须在Python中完成（而不仅仅是在C中比较数字-字符由数字表示）
• 计数器需要散列值，循环需要索引列表

请注意，速度减慢的原因类似于关于Python的数组为什么速度慢的问题？。

我做了一些额外的基准测试来找出在哪个点上集合。计数器优于str.count。为此，我创建了包含不同数量的唯一字符的随机字符串，并绘制了性能：

from collections import Counter
import random
import string

characters = string.printable  # 100 different printable characters

results_counter = []
results_count = []
nchars = []

for i in range(1, 110, 10):
    chars = characters[:i]
    string = ''.join(random.choice(chars) for _ in range(10000))
    res1 = %timeit -o Counter(string)
    res2 = %timeit -o {char: string.count(char) for char in chars}
    nchars.append(len(chars))
    results_counter.append(res1)
    results_count.append(res2)

使用matplotlib绘制结果：

import matplotlib.pyplot as plt

plt.figure()

plt.plot(nchars, [i.best * 1000 for i in results_counter], label="Counter",   c='black')
plt.plot(nchars, [i.best * 1000 for i in results_count],   label="str.count", c='red')
plt.xlabel('number of different characters')
plt.ylabel('time to count the chars in a string of length 10000 [ms]')
plt.legend()

Python3.6的结果非常相似，所以我没有明确列出它们。

因此，如果要计算80个不同的字符，计数器会变得更快/更具可比性，因为它只遍历字符串一次，而不像str.count那样遍历多次。这将弱依赖于字符串的长度（但测试显示只有非常微弱的差异/-2%）。

在Python-2.7集合中。Counter是使用Python（而不是C）实现的，速度要慢得多。str.count和Counter的盈亏平衡点只能通过外推来估计，因为即使有100个不同的字符，str.count仍然快6倍。