python dict时间之谜

Question

我正在做序列比对，遇到了一个与我的字典数据结构起源相关的相当神秘的计时问题。 基本上，我有函数 alignment(s1, s2, scores) 它接受两个字符串 s1 和 s2，以及每对可能的 20 个氨基酸和一个空位“-”的评分矩阵(作为 python 字典)。所以 scores 有 440 个键(char1、char2)，具有整数值。

神秘之处在于:如果我从文本文件(称之为 scores1)中读取 scores 并运行 对齐(s1，s2，scores1) 对于一些 1000-ish 长字符串 s1，s2 氨基酸我得到以下时间(使用 cProfile 并且不显示函数输出):

11.796 秒内调用 2537776 次函数

现在，如果我在我的文件中创建完全相同的字典(称之为 scores2)并运行 对齐(s1，s2，scores2) 我得到了相同的输出结果，但时间减少了 3 倍:

在 4.263 秒内调用了 2537776 次函数

两种情况下的输出是相同的，只是时间不同。 运行 print scores1 == scores2 结果为 True，因此它们包含相同的信息。 我验证了使用访问字典的任意函数(而不是对齐) 在这两种情况下，多次产生相同的 3 倍时序差异。

一定有一些元数据与字典的来源相关，这会减慢我的功能(当来自文件时)，即使在这两种情况下我实际上都在文件中读取。 我尝试通过 scores1 = dict(scores1) 等为每个对象创建一个新的 dict 对象，但同样的时间差异仍然存在。相当令人困惑，但我很确定如果我能弄明白的话，这将是一个很好的教训。

scores1 = create_score_dict_from_file('lcs_scores.txt')
scores2 = create_score_dict(find_alp(s1, s2), match=1, mismatch=0, indel=0)
print scores1 == scores2   # True
alignment(s1, s2, scores1) # gives right answer in about 12s
alignment(s1, s2, scores2) # gives right answer in about 4s

编辑:添加以下代码和结果:

这是代码的简化版本:

import numpy as np
from time import time

def create_scores_from_file(score_file, sigma=0):
    """
    Creates a dict of the scores for each pair in an alphabet,
    as well as each indel (an amino acid, paired with '-'), which is scored -sigma.

    """
    f = open(score_file, 'r')
    alp = f.readline().strip().split()
    scores = []
    for line in f:
        scores.append(map(int, line.strip().split()[1:]))
    f.close()
    scores = np.array(scores)
    score_dict = {}
    for c1 in range(len(alp)):
        score_dict[(alp[c1], '-')] = -sigma
        score_dict[('-', alp[c1])] = -sigma
        for c2 in range(len(alp)):
            score_dict[(alp[c1], alp[c2])] = scores[c1, c2]
    return score_dict

def score_matrix(alp=('A', 'C', 'G', 'T'), match=1, mismatch=0, indel=0):
    score_dict = {}
    for c1 in range(len(alp)):
        score_dict[(alp[c1], '-')] = indel
        score_dict[('-', alp[c1])] = indel
        for c2 in range(len(alp)):
            score_dict[(alp[c1], alp[c2])] = match if c1 == c2 else mismatch
    return score_dict

def use_dict_in_function(n, d):
    start = time()
    count = 0
    for i in xrange(n):
        for k in d.keys():
            count += d[k]
    print "Time: ", time() - start
    return count

def timing_test():
    alp = tuple('A  C  D  E  F  G  H  I  K  L  M  N  P  Q  R  S  T  V  W  Y'.split())
    scores1 = create_scores_from_file('lcs_scores.txt')
    scores2 = score_matrix(alp, match=1, mismatch=0, indel=0)
    print type(scores1), id(scores1)
    print type(scores2), id(scores2)
    print repr(scores1)
    print repr(scores2)
    print type(list(scores1)[0][0])
    print type(list(scores2)[0][0])
    print scores1 == scores2
    print repr(scores1) == repr(scores2)
    n = 10000
    use_dict_in_function(n, scores1)
    use_dict_in_function(n, scores2)

if __name__ == "__main__":
    timing_test()

结果是:

<type 'dict'> 140309927965024
<type 'dict'> 140309928036128
{('S', 'W'): 0, ('G', 'G'): 1, ('E', 'M'): 0, ('P', '-'): 0,... (440 key: values)
{('S', 'W'): 0, ('G', 'G'): 1, ('E', 'M'): 0, ('P', '-'): 0,... (440 key: values)
<type 'str'>
<type 'str'>
True
True
Time:  1.51075315475
Time:  0.352770090103

这是文件 lcs_scores.txt 的内容:

   A  C  D  E  F  G  H  I  K  L  M  N  P  Q  R  S  T  V  W  Y
A  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
C  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
D  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
E  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
F  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
G  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
H  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  
I  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  
K  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  
L  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  
M  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  
N  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  
P  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  
Q  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  
R  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  
S  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  
T  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  
V  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  
W  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  
Y  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  

Answer 1

哪个版本的 Python？并打印每个字典的 repr() 以确保它们确实相同(而不是只是它们比较相等)。猜不出来。例如，也许您正在使用 Python 2，并且在一种情况下您的 char1 和 char2 是纯字符串，但在另一种情况下它们是 Unicode 字符串。然后比较会说它们是相同的，但是 repr() 会显示不同之处:

>>> d1 = {"a": 1}
>>> d2 = {u"a": 1}
>>> d1 == d2
True
>>> print repr(d1), repr(d2)
{'a': 1} {u'a': 1}

无论如何，在 CPython 中绝对没有内部“元数据”记录任何对象来自哪里。

编辑 - 尝试一下

解决问题的出色工作!这正在成为一种乐趣 :-) 我希望你尝试一些东西。先注释掉这一行:

    scores = np.array(scores)

然后改变这一行:

            score_dict[(alp[c1], alp[c2])] = scores[c1, c2]

到:

            score_dict[(alp[c1], alp[c2])] = scores[c1][c2]
                                                    ^^^^^^

当我这样做时，这两种方法返回的时间基本相同。我不是 numpy 专家，但我的猜测是您的“来自文件”代码使用机器 native numpy 整数类型作为 dict 值，并且有每当使用这些值时，将它们转换为 Python 整数的开销很大。

也可能不是 - 但这是我现在的猜测，我会坚持下去 ;-)