Numpy/Python 在性能上与 Matlab 相差甚远

在本文中，我们将介绍 Numpy/Python 对比 Matlab 的部分性能差异。简单来说，Python 虽然在数据处理领域中有广泛的应用，但是在处理科学计算领域的数据时，其性能表现不如 Matlab。下面是两端代码的简单示例：

Python/Numpy:

import numpy as np
a = np.random.rand(1000, 1000)
b = np.random.rand(1000, 1000)
c = np.dot(a, b)

Matlab:

a = rand(1000, 1000);
b = rand(1000, 1000);
c = a * b;

在这个计算矩阵乘法的例子中，Matlab 消耗时间约为 Python 的 1/10。

阅读更多：Numpy 教程

原因分析

Python 语言的缺失是代码无法进行动态编译，导致运行速度较慢。相较于 Python，Matlab 可以利用 Just-In-Time 编译器（即 JIT 编译器）对代码进行编译，提高代码的运行速度。此外，在复杂的计算过程中，Matlab 也更準确地计算。

另外，Matlab 的默认线性代数库是 Intel-MKL 库，该库较为高效。而 Python 运行时不只有一个线性代数库可用，这意味着，不同的库特性也不同，对应的性能表现也不同。例如，使用 Scipy 库运行上述代码，由于其线性代数库使用的是 OpenBLAS 库，收到性能差异的影响。如果使用 Intel-MKL 库, Python 可以获得与 Matlab 相近甚至更高的性能表现。

解决办法

在针对大矩阵计算时，我们强烈建议使用 Matlab，尤其在数据处理与计算上，Matlab 对于科学研究具有较高的价值。但对于小规模矩阵计算或更常规的数据操作，Python/Numpy 仍然是一种被广泛认可并被使用的编程平台。

当然，对于有需要使用 Python 进行科学计算的用户，需要额外安装性能较好的线性代数库。以下是一种例子:

pip install mkl

该库需要与 Numpy 一起使用，并且可以充分利用 Intel-MKL 库提供的运行效率。使用 MKL 库后，这些代码的运行时间将显著缩短。

总结

本文简单介绍了 Python/Numpy 在处理科学计算领域的性能不如 Matlab 的原因，以及解决方法。尽管 Python/Numpy 的处理速度较慢，但其在数据处理与常规数据操纵上的表现是优秀的，还有丰富的第三方库可以供使用。在针对不同目的的数据计算和处理中，选对合适的编程平台非常重要。