آیا پایتون واقعاً زبان کندیه؟

بررسی سرعت پایتون با یک آزمایش عملی

آموزش ۴ دقیقه مطالعه
فهرست مطالب
این مطلب از سایت tool.hamidvalad.ir گرفته شده است

معرفی

پایتون یکی ازمحبوب‌ترین زبان‌های برنامه‌نویسی دنیاست؛اماهمیشه یک سؤال بین برنامه‌نویس‌ها مطرح می‌شه: آیا پایتون واقعاً زبان کندیه؟

در این پروژه قصد داریم با استفاده از کتابخانه timeit سرعت اجرای دو روش مختلف برای محاسبه مجموع اعداد رو مقایسه کنیم. در روش اول از حلقه for و در روش دوم از تابع داخلی sum() استفاده می‌کنیم.

هدف این آزمایش اینه که ببینیم کدوم روش سریع‌تر اجرا می‌شه و چطور انتخاب روش مناسب می‌تونه روی عملکرد برنامه تأثیر بذاره.

نصب و پیش‌نیازها

برای اجرای این پروژه به پایتون نسخه ۳ نیاز دارید. همچنین نیازی به نصب کتابخانه اضافی نیست؛ چون کتابخانه‌های timeit و statistics به‌صورت پیش‌فرض همراه پایتون نصب هستند.

پیش‌نیازهای آموزشی:

  • آشنایی مقدماتی با متغیرها و توابع

  • آشنایی با حلقه for

  • آشنایی با لیست‌ها

  • آشنایی با توابع داخلی پایتون

ساختار کلی کد

کد این پروژه از بخش‌های اصلی زیر تشکیل شده است:

  • وارد کردن کتابخانه‌ها: استفاده از timeit برای اندازه‌گیری زمان و statistics برای محاسبه زمان میانه.

  • تولید داده‌ها: ساخت یک لیست شامل یک میلیون عدد.

  • روش اول محاسبه: محاسبه مجموع اعداد با استفاده از حلقه for.

  • روش دوم محاسبه: محاسبه مجموع با تابع داخلی sum().

  • اندازه‌گیری زمان: اجرای هر روش پنج بار و ثبت زمان اجرا.

  • نمایش نتایج: مقایسه زمان اجرای دو روش.

روش اول:محاسبه مجموع با حلقه for

در روش اول، با استفاده از یک حلقه، تمام اعداد لیست رو یکی‌یکی جمع می‌کنیم و نتیجه رو داخل متغیر total قرار می‌دیم:

:() def loop_sum
  total = 0
  : for number in numbers
        total += number
    return total

در این روش، پایتون باید حلقه رو اجرا کنه و در هر مرحله مقدار جدیدی به متغیر total اضافه کنه.

روش دوم : استفاده از تابع داخلی sum

در روش دوم، از تابع داخلی sum() استفاده می‌کنیم:

def builtin_sum():
    return sum(numbers)

این تابع تمام اعداد موجود در لیست رو جمع می‌کنه و نتیجه رو برمی‌گردونه.

یکی از دلایل سرعت بیشتر این روش اینه که بخش اصلی اجرای تابع sum() در پیاده‌سازی بهینه‌شده پایتون و با زبان C انجام می‌شه.

اندازه‌گیری سرعت اجرا

برای اندازه‌گیری زمان اجرای هر روش از کتابخانه timeit استفاده می‌کنیم:

loop_times = timeit.repeat(
    loop_sum,
    number=1,
    repeat=5
)

builtin_times = timeit.repeat(
    builtin_sum,
    number=1,
    repeat=5
)

در این قسمت هر تابع پنج بار اجرا می‌شه و زمان هر بار اجرا ذخیره می‌شه.

با این کار می‌تونیم تأثیر نوسانات لحظه‌ای سیستم رو تا حدی کاهش بدیم.

نمایش نتایج

در مرحله آخر، زمان اجرای دو روش رو نمایش می‌دیم:

print("Same result:", loop_sum() == builtin_sum())

print(f"Loop best: {min(loop_times):.6f} seconds")

print(f"sum() best: {min(builtin_times):.6f} seconds")

print(f"Loop median: {statistics.median(loop_times):.6f} seconds")

print(f"sum median: {statistics.median(builtin_times):.6f} seconds")

برنامه ابتدا بررسی می‌کنه که هر دو روش نتیجه یکسانی تولید کرده باشن. سپس بهترین زمان و زمان میانه اجرای هر روش رو نمایش می‌ده.

کد کامل پروژه

کد زیر رو در فایلی با نام benchmark.py ذخیره کنید:

import timeit
import statistics

N = 1_000_000
numbers = list(range(N))

def loop_sum():
    total = 0
    for number in numbers:
        total += number
    return total

def builtin_sum():
    return sum(numbers)

loop_times = timeit.repeat(loop_sum, number=1, repeat=5)
builtin_times = timeit.repeat(builtin_sum, number=1, repeat=5)

print("Same result:", loop_sum() == builtin_sum())
print(f"Loop best:   {min(loop_times):.6f} seconds")
print(f"sum() best:  {min(builtin_times):.6f} seconds")
print(f"Loop median: {statistics.median(loop_times):.6f} seconds")
print(f"sum median:  {statistics.median(builtin_times):.6f} seconds")

نحوه اجرا

برایاجرایپروژهمراحلزیررودنبالکنید:

  1. برای اجرای پروژه مراحل زیر رو دنبال کنید:

    1. مطمئن بشید پایتون روی سیستم نصب شده.

    2. یک فایل با نام benchmark.py ایجاد کنید.

    3. کد کامل پروژه رو داخل فایل قرار بدید.

    4. ترمینال یا CMD رو باز کنید و وارد پوشه فایل بشید.

    5. دستور زیر رو اجرا کنید :

python benchmark.py

بعد از اجرا، زمان اجرای هر دو روش در ترمینال نمایش داده می‌شه.

نکته مهم:

نتایج این آزمایش به سخت‌افزار، نسخه پایتون و شرایط اجرای برنامه بستگی داره. معمولاً تابع sum() در این مثال سریع‌تر از حلقه معمولی اجرا می‌شه؛ اما این آزمایش به‌تنهایی معیار مقایسه سرعت پایتون با زبان‌های دیگه نیست.

نتیجه‌گیری

پایتون در برخی محاسبات نسبت به زبان‌هایی مثل C و C++ کندتره، اما این موضوع به معنی ضعیف بودن این زبان نیست.

استفاده از توابع داخلی بهینه‌شده، کتابخانه‌هایی مثل NumPy و انتخاب الگوریتم مناسب می‌تونه سرعت اجرای برنامه‌های پایتون رو به شکل قابل‌توجهی افزایش بده.

در نهایت، برای انتخاب زبان برنامه‌نویسی باید علاوه بر سرعت اجرا، سادگی، امکانات، کاربرد و سرعت توسعه رو هم در نظر گرفت.

منابع و مستندات