4

我正在编写一些性能密集型代码，并希望从 cythonistas 那里获得一些关于如何进一步改进它的反馈。我编写的函数的目的有点难以解释，但它们所做的并不是那么令人生畏。第一个（大致）采用两个数字列表字典并将它们连接起来以获得一个数字列表字典。它只运行一次，所以我不太关心优化它。第二个首先调用第一个，然后使用其结果基本上将存储在 numpy 数组中的索引与数组列表中的数字交叉，以在 (pybloomfiltermmap) 布隆过滤器上形成查询（新数字）。

我已经确定这一步是由于我的嵌套循环并减少了使用的循环数量，将只需要发生一次的所有内容移出循环，并尽我所知键入所有内容。尽管如此，第二个函数中 i 的每次迭代都需要大约 10 秒，这太多了。我在 html 编译输出中仍然看到黄色的主要内容是由于列表和 numpy 数组中的索引访问，所以我尝试用所有 numpy 数组替换我的列表，但没有得到任何改进。我将非常感谢您提供的任何反馈。

#cython: boundscheck=False
#cython: wraparound=False

import numpy as np
cimport numpy as np

def merge_dicts_of_lists(dict c1, dict c2):
    cdef dict res
    cdef int n, length1, length2, length3
    cdef unsigned int i, j, j_line, jj, k, kk, new_line

    res =  {n: [] for n in range(256)}
    length1 = len(c1)

    for i in range(length1):
        length2 = len(c1[i])
        for j in range(length2):
            j_line = c1[i][j]
            jj = (j_line) % 256
            length3 = len(c2[jj]) 
            for k in range(length3):
                kk = c2[jj][k]
                new_line = (j_line << 10) + kk
    res[i].append(new_line)
    return res


def get_4kmer_set(np.ndarray c1, dict c2, dict c3, bf):
    cdef unsigned int num = 0
    cdef unsigned long long query = 0
    cdef unsigned int i, j, i_row, i_col, j_line
    cdef unsigned int length1, length2
    cdef dict merge 
    cdef list m_i 

    merge = merge_dicts_of_lists(c2, c3)
    length1 = len(c1[:,0])
    for i in range(length1):
        print "i is %d" % i
        i_row = c1[i,0]
        i_col = c1[i,1]
        m_i = merge[i_col]
        length2 = len(m_i)
        for j in range(length2):
            j_line = m_i[j]
            query = (i_row << 24) + (i_col << 20) + j_line
            if query in bf:
                num += 1
    print "%d yes answers from bf" % num
4

1 回答 1

3

为了子孙后代，我添加了一个题外话的答案，但我希望它对某人仍然有用。我在上面发布的代码与我决定保留的代码没有太大不同，因为它已经编译为 Ctyhon html 编译输出所见的短 C 行。

由于最里面的操作是布隆过滤器查询，我发现最有帮助的是通过两种方式加快该步骤。一个是将 pybloomfiltermmap 使用的哈希函数更改为 murmurhash3 的可用 C++ 实现。我发现 pybloomfilter 正在使用 sha，这对于加密散列函数来说相对较慢。第二个提升来自应用本文中发现的技巧：http ://www.eecs.harvard.edu/~kirsch/pubs/bbbf/rsa.pdf 。基本上，它说您可以通过使用两个散列值的线性组合而不是 BF 的 k 个不同散列来节省大量计算。这两个技巧一起使查询时间提高了一个数量级（约 5 倍）。

于 2013-08-09T20:41:50.127 回答