本文转载自公众号“读芯术”(ID：AI_Discovery)。
对于数据科学家而言，热爱Python的理由数不胜数。但你是否也曾问过这样的问题：Python和C或C++等更专业的低级编程语言究竟有何不同呢?我想这是很多数据科学家或者Python用户曾经问过或者将来会问自己的问题。
Python和C++类语言之间存在许多区别，本文将通过一个十分简单的例子向你展示，与Python相比，C++究竟有多快。
为了说明这种区别，本文选择一个简单实用而非想象虚构的任务：生成固定值为“k”的所有可能DNA k-mers。选择该示例，是因为与基因组相关的许多数据处理和任务分析(例如k-mers生成)都是计算密集型的，而这同样也是很多生物信息学领域的数据科学家对C++感兴趣的原因。
请注意，本文目标并不是以最有效的方式比较C++和Python。这两种代码均可采用更高效的方式和更优化的方法编写。本文的唯一目标，就是比较这两种语言在使用完全相同的算法和指令时的速度。
DNA K-mers简介
DNA是一种称为核苷酸的长链单位。在DNA中，共有4种核苷酸类型，分别用字母A、C、G和T表示。人类(更准确地说是智人)拥有核苷酸对30亿个。例如，人类DNA的一小部分可能类似于：
ACTAGGGATCATGAAGATAATGTTGGTGTTTGTATGGTTTTCAGACAATT
在此示例中，如果从该字符串中选择任意4个连续的核苷酸(即字母)，它将是一个长度为4的k-mer(可称之为4-mer)。以下便是从此示例中衍生出来的一些4-mers例子：ACTA，CTAG，TAGG，AGGG，GGGA等。
难点挑战
本文以生成所有可能的13-mers为例，从数学上讲，这是一个带有替换的排列问题。因此，共有4¹³个(67108864)可能的13-mers。下面将使用一个简单的算法在C++和Python中生成结果。
方案比较
为了方便比较C++和Python在此特定挑战中的优劣，我在两种语言中使用了完全相同的算法。这两种代码均有意设计地简单而相似。同时，避免使用复杂的数据结构或第三方包或库。第一段代码采用Python编写。
- defconvert(c):
- if (c =='A'): return'C'
- if (c =='C'): return'G'
- if (c =='G'): return'T'
- if (c =='T'): return'A'
- print("Start")
- opt ="ACGT"
- s =""
- s_last =""
- len_str =13
- for i inrange(len_str):
- s += opt[0]
- for i inrange(len_str):
- s_last += opt[-1]
- pos =0
- counter =1
- while (s != s_last):
- counter +=1
- # You can uncomment the next line to see all k-mers.
- # print(s)
- change_next =True
- for i inrange(len_str):
- if (change_next):
- if (s[i] == opt[-1]):
- ss = s[:i] +convert(s[i]) + s[i+1:]
- change_next =True
- else:
- ss = s[:i] +convert(s[i]) + s[i+1:]
- break
- # You canuncomment the next line to see all k-mers.
- # print(s)
- print("Number ofgenerated k-mers: {}".format(counter))
- print("Finish!")
运行Python代码，生成全部13-mers共6700万个大约需要61.23秒。为了公平比较，我注释掉了显示k-mers的行。如果想在生成k-mers时显示它们，也可以取消对这两行的注释。注意，显示全部k-mers耗时很长。如有需要，请操作CTRL+C中止代码。
现在，来看看C++中同样的算法：
- #include<iostream>
- #include<string>
- usingnamespacestd;
- charconvert(char c)
- {
- if (c == 'A') return'C';
- if (c == 'C') return'G';
- if (c == 'G') return'T';
- if (c == 'T') return'A';
- return' ';
- }
- intmain()
- {
- cout << "Start" << endl;
- string opt = "ACGT";
- string s = "";
- string s_last = "";
- int len_str = 13;
- bool change_next;
- for (int i=0; i<len_str;i++)
- {
- s += opt[0];
- }
- for (int i=0; i<len_str;i++)
- {
- s_last += opt.back();
- }
- int pos = 0;
- int counter = 1;
- while (s != s_last)
- {
- counter ++;
- // You canuncomment the next line to see all k-mers.
- // cout << s<< endl;
- change_next = true;
- for (int i=0; i<len_str;i++)
- {
- if (change_next)
- {
- if (s[i] == opt.back())
- {
- s[i] = convert(s[i]);
- change_next = true;
- } else {
- s[i] = convert(s[i]);
- break;
- }
- }
- }
- }
- // You can uncomment the next line tosee all k-mers.
- // cout << s << endl;
- cout << "Number of generated k-mers: " <<counter << endl;
- cout << "Finish!" << endl;
- return0;
- }
编译后，运行C++代码，生成全部13-mers共6700万个大约需要2.42秒。这意味着运行相同算法，Python用时是C++的25倍多。然后，对14-mers和15-mers重复进行此实验。汇总结果如下表所示：
比较生成13-、14-和15-mers的Python和C++运行结果。
显然，C++比Python快得多。对于大多数程序员和数据科学家而言，这是共识。但该示例表明，这种差异十分显著。
本示例并没有使用CPU或GPU并行化，因其必须针对相应类型的问题(密集并行难题)进行。此外，示例也没有大量涉及内存。如果将运行结果进行存储(出于某些特定原因)，那么使用内存管理在运行C++和Python时，将产生更显著的差异。
此示例和数以千计的其他事实表明，在处理大量数据或指数增长的过程中，身为数据科学家，你应该了解C++类语言。
