Python 和 Go 在循环时候的性能对比

[Buffer2Disk]

如题

两个 for 循环分别 6000 次，来嵌套； 中间休息 5 秒钟；

python 代码如下（版本 2.7 ）

golang 的代码如下(版本 1.12)

python 在循环的时候，cpu 消耗 70%

golang 在循环的时候，cpu 消耗 0.6%、

这 2 个仅仅是简单的循环，性能差别就有这么大么，还是我姿势哪里不对？

[Buffer2Disk]

@niubee1 大佬，我的关注点其实是在 cpu 和 运行耗时 一起的

我试了下你的代码

排除掉了 range 的因素，提前创建好 list，cpu 的消耗依然不低啊(相对于 go 的 cpu 占用来说，使用的是 1 核的虚拟机)

当然我是通过 top 粗略的看了下 python 进程的 cpu 占用，可能不是那么的精确，但是能侧面反映出来大概的占用情况

[Buffer2Disk]

<img src="https://i.loli.net/2019/07/17/5d2e09582d18548030.png" alt="5555.png" title="5555.png" />

[iPhoneXI]

为什么用 2.7 这种老古董？

[niubee1]

@Buffer2Disk for 没有优化的， 提速用列表解析或者用 itertools 里的函数代替

[niubee1]

当然要说优化了就秒天秒地秒空气了那不可能，Python 确实不快， 只是优化好了并不会那么的慢， 而已。还有个办法是用 Cyhon 来优化这种纯跑圈的逻辑

[blless]

解释型语言跟编译型语言 这种对比完全没意义，编译型语言很多预编译的时候会优化一些语句，比如内联优化之类的…你的 go 的空循环可能就被优化成一个连续执行的 cpu 指令了 基本上 0 切换。不过现在晚了 也没空测试，我只是大概猜一下可能性，有兴趣可以自己找找资料

[blless]

要测试的话，我建议 for 循环里面加一些额外业务处理，然后内联优化应该可以关闭
真的想用 python 可以试试 pypy，自带 jit，直接用 docker 跑一个就可以

[ysc3839]

@Buffer2Disk 看 top 的话你怎么知道你看的时刻程序是不是在 sleep ？你给出的结果完全有可能是 Python 在循环而 Golang 在 sleep。

[ysc3839]

@Buffer2Disk 另外看到附言说是要解决性能问题，那应该测量代码的执行时间。

[ysc3839]

@Buffer2Disk 另外你所说的 CPU 消耗是 CPU 使用率，意思是一段时间内 CPU 非空闲的时间占这段时间的百分比。大部分工具是隔几秒测一下 CPU 使用率，没办法估量全部代码的执行效率。

[LokiSharp]

Go 没试过，我只知道 Python 整体比 Java 慢 10 倍

[www5070504]

猜测是 golang 可能优化到操作高速缓存或者寄存器了 python 你这样写肯定有频繁读或者写内存

[xdeng]

go for 里面没写东西可能会被优化掉的

[dongxiaozhuo]

如果以 Golang 的写法为基准，应该是 Python 里面使用 while 判断一个变量和一个数字的比较结果，例如 while i < 6000: 这样，不管使用 range 和 xrange 都是一堆数字的合集，只是类型与方式不同。

[ipwx]

Python 的 for 循环性能是不可优化的，别想了，不可能的。

去考虑如何优化 Python 的 for 循环是没有意义的，因为一个老道的 Python 程序员，不是在 sentence-level 优化 Python 程序性能的。

比如我要算向量 x + y （ for 循环裸写是 O(N)），我们会直接使用 NumPy （它是用 C 语言写的 Python 库）：

import numpy as np

x = np.asarray(...)
y = np.asarray(...)
out = x + y

矩阵点积（ for 循环裸写是 O(N^2)）：

M = np.asarray(...)
N = np.asarray(...)
out = np.dot(M, N)

如果是可以转化成这种张量运算的，就尝试转化一下。如果不能，就上 Cython。比如 Scikit Learn 的 Tree Classifier 系列代码：

https://github.com/scikit-learn/scikit-learn/blob/7813f7efb5b2012412888b69e73d76f2df2b50b6/sklearn/tree/_tree.pyx

如果 Cython 再不行，就上 C/C++ 语言。比如 TensorFlow 一坨运算：

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/core/ops/

有时候偷懒，会用 JIT 引擎把 Python 代码直接在内存中即时编译成机器码，比如：

Numba： https://numba.pydata.org/
Pytorch： https://pytorch.org/docs/stable/_modules/torch/jit.html
TensorFlow： https://www.tensorflow.org/xla/jit
----

以上所有总而言之，Python 的优化方法不是去一条一条语句优化，而是直接暴力把整个 block 替换成更高效的实现。所以你考虑优化 python for 循环没有意义。作为一个 Python 程序员，你应该先考虑实现业务逻辑，然后找出真正的性能瓶颈，再考虑用高级手段（以上种种）优化它们。

[ipwx]

顺便 Cython 是一种特别发明出来的 C/Python 混合语言，即没有完全的 C 语言功能，也没有完全的 Python 功能，会经过编译器编译成本机代码。适用于 Python 写起来太慢，但是又不需要 C 语言全部功能的场景。

[ipwx]

Python 写起来太慢 -> Python 写的代码跑起来太慢。

[ipwx]

顺便 Python JIT 还有一个 PyPy，适用于网络编程。

[crella]

你应该在最内层循环加个判断或者赋值，比如 if 1 = true ; a = 1，要不然哪家语言都会优化掉。

[crella]

反正 g4560，我做文本按列切割整理保存的工作，单核，perl6 1500 行 /s，perl5 2300 行 /s，vb.net3.5 3300 行 /s，不会用 python