python学习笔记：测试python和rust的时间

最新推荐文章于 2024-05-02 15:36:55 发布

hero82748274

最新推荐文章于 2024-05-02 15:36:55 发布

阅读量749

点赞数

分类专栏： python学习笔记

本文链接：https://blog.csdn.net/hero82748274/article/details/107348537

版权

python学习笔记专栏收录该内容

10 篇文章 3 订阅

订阅专栏

前一段时间看了一篇关于rust加速python的文章，讲述到利用rust的特性去加速python的执行效率。在一些网上，这类的资料比较少。加上rust在生态上还没形成良好的环境，不过它的性能足够强悍可以让人感觉到它的强大之处。实际上，python在很多案例中，包括一些著名的库也会使用C 或C++去优化执行效率。例如numpy就借用C语言去发挥性能极高的计算。

在一些日常比较中，常见的包括网上很多就是进行叠加计算，测试python和rust的效率。实际上这种比较意义不大。下面，我们也重复一次实验过程。

第一次执行10万次的计算


def testTime():
    t1 = time.time()
    sum = 0
    for i in range(100000):
        sum += 1
    print(f"执行时间为：{time.time() - t1}")

testTime()
#执行时间为：0.0060007572174072266

在10万次下会产生一些消耗。
执行的时间耗时：0.0060007572174072266

第二次执行100万次计算

def testTime():
    t1 = time.time()
    sum = 0
    for i in range(1000000):
        sum += 1
    print(f"执行时间为：{time.time() - t1}")



testTime()
#执行时间为：0.05700254440307617

在100万次下会产生一些消耗。
执行的时间耗时：0.05700254440307617

第三次执行1000万次计算

def testTime():
    t1 = time.time()
    sum = 0
    for i in range(10000000):
        sum += 1
    print(f"执行时间为：{time.time() - t1}")



testTime()
#执行时间为：0.7147984504699707

在1000万次下会产生一些消耗。
执行的时间耗时：0.7147984504699707

第四次执行1亿次计算

def testTime():
    t1 = time.time()
    sum = 0
    for i in range(100000000):
        sum += 1
    print(f"执行时间为：{time.time() - t1}")

testTime()
#执行时间为：6.718158960342407

在1亿次下会产生一些消耗。
执行的时间耗时：6.718158960342407

从实验计算来讲。在1亿次计算量会比较明显产生的消耗会大很多。在10w次的计算，消耗量并不是很明显。

采取Rust去实验

采用rust去算出一个数据出来，这次从1000w开始


use std::time::{Instant};

fn main() {
  let start = Instant::now();
  let mut sum = 0;
  for _ in 0..100000000{
      sum +=1;
  }

 let duration = start.elapsed();
 println!("{}",sum);
 println!("执行时间为: {:?}", duration);

执行时间为: 343.7971ms（微秒）
转换为秒为：0.0003438
同等对比python在这个档位：0.7147984504699707
在这里插入图片描述

再次执行一亿次计算
rust的时间为：
执行时间为: 3.7116033s

执行的差异化现象

在大计算的时候，rust优势会明显一点。
如果采取不是编译出的exe执行的话，rust的效率会更高。经过python去调取的rust方法的时候，效率会让人快到怀疑人生。但这也是其中一种优势加速。只是在众多测试过程，上了百万和千万到亿级别的计算。rust的优势会凸显出来，在日常使用过程，这种差别会变得很小。在密集型计算和io优化会带来一点灵感，提供一种优化的思路。在日常使用过程，python已经足够可以对付这样的计算。
在这里插入图片描述