python - 减少程序生成随机数据的运行时间
问题描述
我需要生成 10GB 的随机数据。
我编写了以下 python 脚本,通过将包含随机长度的可打印 ASCII 字符的字符串写入文件的每一行来生成所需的字节数
它需要 3 个命令行参数。1)大小 2)字符串的最小长度(可选参数,默认为 4) 3)字符串的最大长度(可选参数,默认为 10)
这个程序既不使用内存也不做大量的 IO。我可以使用什么策略来增加每单位时间写入的字节数。
import random
import sys
K_SIZE = 1000
class Generator:
def __init__(self,low=4,high=10):
self.table = {i:chr(i) for i in range(33,127)}
self.low = low
self.high = high
def create_n_bytes(self,total_bytes):
bytes_created = 0
"""Hack at the moment, this condition will fail only after more than n bytes are
written """
while bytes_created < total_bytes:
bytes_to_create = random.randint(self.low,self.high)
bytes_created = bytes_created+bytes_to_create+1
word=[""]*bytes_to_create
for i in range(bytes_to_create):
word[i] = self.table[random.randint(33,126)]
text = "".join(word)
#print(str(hash(text))+"\t"+text)
print(text)
def get_file_size_from_command_line():
size = sys.argv[1]
return size
def get_min_word_len_from_command_line():
if len(sys.argv) > 2:
low = sys.argv[2]
return int(low)
def get_max_word_len_from_command_line():
if len(sys.argv) > 3:
high = sys.argv[3]
return int(high)
def get_file_size_in_bytes(size):
multiplier = 1
size_unit = size[-1]
if size_unit == 'M' or size_unit == 'm':
multiplier = K_SIZE*K_SIZE
elif size_unit == 'K' or size_unit == 'k':
multiplier = K_SIZE
elif size_unit == 'G' or size_unit == 'g':
multiplier = K_SIZE*K_SIZE*K_SIZE
elif size_unit in ('0','1','2','3','4','5','6','7','8','9'):
multiplier = 1
else:
print("invalid size")
exit()
total_bytes = 0
if multiplier == 1:
total_bytes = int(size)
else:
total_bytes = multiplier*int(size[:len(size)-1])
return total_bytes
def main():
if len(sys.argv) == 2:
gen = Generator()
elif len(sys.argv) == 3:
gen = Generator(get_min_word_len_from_command_line())
elif len(sys.argv) == 4:
gen = Generator(get_min_word_len_from_command_line(),get_max_word_len_from_command_line())
file_size = get_file_size_in_bytes(get_file_size_from_command_line())
gen.create_n_bytes(file_size)
if __name__== "__main__":
main()
解决方案
首先,如果您正在生成纯 ASCII,并且您需要它尽可能快,那么它的生成速度可能会bytes
比str
. 如果需要,您可以随时调用decode('ascii')
它们,但更简单的是,只需将它们直接写入sys.stdout.buffer
or sys.stdout.buffer.raw
。
这意味着您可以摆脱将数字映射到chr
值的表,而只需构造一个bytes
或bytearray
从您的整数中取出。(只要所有值都在 中range(0, 128)
,就可以保证得到相同的结果,但是使用一个内部带有 C 循环的函数调用,而不是 Python 循环内部的函数调用。)
此外,您可以调用random.choices(range(33, 127), k=N)
然后将结果传递给bytes
构造函数,而不是构造一个包含 N 个空字符串的列表然后一个一个替换它们。
正如 Dillon Davis 所指出的那样,虽然我们正在这样做,但randint
速度很慢。通过手动执行相同的逻辑,您可以将速度提高 3-5 倍。事实证明,这在这里无关紧要(我们正在做大约一个randint
几百choices
),但仍然不妨修复它。
所以,把所有这些放在一起:
def create_n_bytes(self,total_bytes):
bytes_created = 0
"""Hack at the moment, this condition will fail only after more than n bytes are
written """
chars = range(33, 127)
while bytes_created < total_bytes:
bytes_to_create = int(random.random() * (high-low+1) + low)
word = bytes(random.choices(chars, k=bytes_to_create))
bytes_created = bytes_created+bytes_to_create+1
sys.stdout.buffer.write(word + b'\n')
# necessary if you're doing any prints between calls
sys.stdout.flush()
此外,请尝试在 PyPy 而不是 CPython 中运行相同的代码。它可能快 5%,也可能快 20 倍。
如果您需要提高性能,所有常见的微优化技巧都可能适用于此,例如在局部变量中存储randint
和(或者可能choices
同时尝试两种方式)。sys.stdout.buffer
sys.stdout.buffer.write
如果它仍然远远不够快,您需要进行更改以一次生成更多字节。
这意味着传递一个更大的total_bytes
值,但也可能意味着拖入 NumPy:
buf = np.random.randint(33, 127, size=total_bytes, dtype=np.uint8)
现在,您如何将其分解为low
tohigh
字节的单词?我想不出任何真正聪明的东西,但是一个愚蠢的循环仍然应该比上面所有的代码都快:
i = 0
while i < len(buf) - self.high:
i += random.randint(self.low, self.high)
buf[i] = 10 # newline
sys.stdout.buffer.write(buf.data[:i])
这个结束太快了,而不是走得太远。但无论你做什么,你显然都必须处理这个问题——total_bytes
无论你如何做事,你都会准确命中的几率1/(high-low)
,对吧?
memoryview
(将返回的 bydata
切片而不是切片数组并调用它有点 hacky to_bytes()
,但考虑到我们创建数组的方式,它可以保证做同样的事情,并且它可能会节省几微秒,所以它可能值得做带评论。)
如果我们不介意浪费内存,我们可以构建一个随机偏移数组,保证足够大(但可能会太大),然后将其用作索引数组:
sizes = np.random.randint(self.low, self.high, total_bytes//self.low, dtype=np.int32)
offsets = np.cumsum(sizes)
last = np.searchsorted(offsets, 1000)
offsets = offsets[:last]
buf[offsets] = 10
对于 1MB 的数组来说,这里的加速应该比 1000 字节这样的小数组大得多(而且对于绝对巨大的数组也可能不好,因为额外的分配),但它当然值得测试。
性能比较很大程度上取决于您的平台(包括您正在写入的终端,如果您没有重定向到/dev/null
or NUL
),以及您选择的参数。
使用默认值low=4
, high=10
, 和total_bytes=1000
(我使用1010
NumPy 失败),在我的笔记本电脑上运行(macOS、iTerm 内的 IPython,不重定向标准输出、CPython 3.7.0 和 PyPy 3.5.2/5.10),这是我的结果:
- 原始代码:2.7ms
- PyPy 中的原始代码:938µs
- 我的版本
randint
:911µs - 我的版本
random
:909µs - 我在 PyPy 中的版本(不带
random.choices
):799µs - NumPy 循环版本:584µs
- 只需写入一个预先存在的 1000 字节缓冲区:504µs
如果减去最后一个以获得不同算法的实时时间:
- 原始代码:2.2ms
- PyPy 中的原始代码:434µs
- 我的版本
randint
:407µs - 我的版本
random
:405µs - 我在 PyPy 中的版本(不带
random.choices
):295µs - NumPy 循环版本:80µs
我在另一台 NumPy randint
/cumsum
版本的笔记本电脑上,但针对原始 NumPy 版本进行测试,标准输出重定向到 /dev/null:
- NumPy 循环版本:122µs
- NumPy
cumsum
版本:41µs
所以,这是一个 3 倍的加速比已经是 27 倍的加速,所以我们说的大约是 80 倍。但是写入终端会使事情变慢,以至于挂钟加速只有大约 5 倍。(如果您使用的是 Windows,可能会更糟。)不过,还不错。
推荐阅读
- node.js - 未收到 EventEmitter 事件
- python-3.x - 如何检查是否存在自动建议?
- java - Docker:如何在 Debian jessie-slim 之上安装 OpenJDK JRE 12?
- r - 在 data.frame 中保留 NA 和空白行
- heroku - heroku[router]: at=error code=H10 部署 keystonejs-demo 时
- database - 使用半连接对查询进行去相关
- android - Kotlin:为什么要把“return”从“if”中去掉?(安卓工作室推荐)
- react-native - 元素类型无效:使用 TouchableHighlight 时应为字符串
- python - 我使用 beautifulsoup 的 Webscraping 代码没有超过第一页
- javascript - React Axios 服务类