python调用julia_Python对阵Julia：机器学习实例

在之前谈到的保序回归加速话题中，我们聊起如何利用Cython改进回归算法的性能表现。我觉得将Python优化代码的性能表现与原生Julia方案加以比对能够进一步明确大家对于速度提升的直观感受。

今天的文章将承接上一篇，因此大家在进行阅读前，不妨先对前文进行一番回顾、旨在掌握相关背景信息。

我们将借用前文中提到的两种算法，并在这里就性能表现在Julia与Python之间展开一番比拼。

线性PAVA

相关Cython代码可以通过Github上的scikit-learn进行下载，而Julia代码则来自GitHub上的Isotonic.jl。

Julia代码采用的是最为简单的PAVA表达，不掺杂任何花哨的内容与修饰；@inbounds宏的作用是客观比较Cython的执行效果并关闭bound check。function isotonic_regression(y::Vector{Float64}, weights::Vector{Float64})

@inbounds begin

n = size(y, 1)

if n <= 1

return y

end

n -= 1

while true

i = 1

pooled = 0

while i <= n

k = i

while k <= n && y[k] >= y[k+1]

k += 1

end

# Find a decreasing subsequence, and update

# all points in the sequence to the weighted average.

if y[i] != y[k]

numerator = 0.0

denominator = 0.0

for j in i : k

numerator += y[j] * weights[j]

denominator += weights[j]

end

for j in i : k

y[j] = numerator / denominator

end

pooled = 1

end

i = k + 1

end

if pooled == 0

break

end

end

end

return y

end

isoto