Вот несколько комментариев.Обратите внимание, что я не эксперт в этом деле, мне тоже нравится возиться с математикой (и Project Euler).
Я переопределил функции пятиугольного числа следующим образом:
def pent_new(n):
return (n*(3*n - 1))/2
def gen_pent_new(n):
if n%2:
i = (n + 1)/2
else:
i = -n/2
return pent_new(i)
IЯ написал их так, чтобы я не вводил вычисления с плавающей точкой - для больших n использование чисел с плавающей запятой приведет к ошибкам (сравните результаты для n = 100000001
).
Вы можете использовать timeit *Модуль 1010 * для тестирования небольших фрагментов кода.Когда я протестировал все пятиугольные функции (вашу и мою), результаты для моей были быстрее.Ниже приведен пример, который проверяет вашу функцию gen_pent
.
# Add this code to your script
t = Timer("for i in xrange(1, 100): gen_pent(i)", "from __main__ import gen_pent")
print t.timeit()
Вот небольшая модификация вашей функции partition
.Опять же, тестирование с помощью timeit показывает, что оно быстрее, чем ваша partition
функция.Однако это может быть связано с улучшениями, внесенными в функции пятиугольных чисел.
def partition_new(n):
try:
return partitions_new[n]
except IndexError:
total, sign, i = 0, 1, 1
k = gen_pent_new(i)
while n - k >= 0:
total += sign*partition_new(n - k)
i += 1
if i%2: sign *= -1
k = gen_pent_new(i)
partitions_new.insert(n, total)
return total
В функции разделения вы вычисляете общее пятиугольное число дважды для каждого цикла.Один раз для проверки состояния while, а другой для обновления total
.Я сохраняю результат в переменной, поэтому вычисление выполняется только один раз за цикл.
Используя модуль cProfile (для python> = 2.5, в противном случае модуль профиля), вы можете увидеть, где находится вашКод тратит большую часть своего времени.Вот пример, основанный на вашей функции секционирования.
import cProfile
import pstats
cProfile.run('partition(70)', 'partition.test')
p = pstats.Stats('partition.test')
p.sort_stats('name')
p.print_stats()
Это привело к следующему выводу в окне консоли:
C:\Documents and Settings\ags97128\Desktop>test.py
Fri Jul 02 12:42:15 2010 partition.test
4652 function calls (4101 primitive calls) in 0.015 CPU seconds
Ordered by: function name
ncalls tottime percall cumtime percall filename:lineno(function)
552 0.001 0.000 0.001 0.000 {len}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
60 0.000 0.000 0.000 0.000 {method 'insert' of 'list' objects}
1 0.000 0.000 0.015 0.015 <string>:1(<module>)
1162 0.002 0.000 0.002 0.000 {round}
1162 0.006 0.000 0.009 0.000 C:\Documents and Settings\ags97128\Desktop\test.py:11(gen_pent)
552/1 0.005 0.000 0.015 0.015 C:\Documents and Settings\ags97128\Desktop\test.py:26(partition)
1162 0.002 0.000 0.002 0.000 C:\Documents and Settings\ags97128\Desktop\test.py:5(pent)
Теперь профилирование моей функции секционирования:
Fri Jul 02 12:50:10 2010 partition.test
1836 function calls (1285 primitive calls) in 0.006 CPU seconds
Ordered by: function name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
60 0.000 0.000 0.000 0.000 {method 'insert' of 'list' objects}
1 0.000 0.000 0.006 0.006 <string>:1(<module>)
611 0.002 0.000 0.003 0.000 C:\Documents and Settings\ags97128\Desktop\test.py:14(gen_pent_new)
552/1 0.003 0.000 0.006 0.006 C:\Documents and Settings\ags97128\Desktop\test.py:40(partition_new)
611 0.001 0.000 0.001 0.000 C:\Documents and Settings\ags97128\Desktop\test.py:8(pent_new)
Вы можете видеть, что в моих результатах нет вызовов встроенных функций len
и round
.И я почти вдвое сократил количество обращений к пятиугольным функциям (gen_pent_new
и pent_new
)
Возможно, есть и другие приемы для улучшения скорости кода на Python.Я хотел бы найти здесь «оптимизацию на python», чтобы увидеть, что вы можете найти.
Наконец, одна из ссылок в нижней части страницы википедии, которую вы упомянули, представляет собой академическую статью о быстрых алгоритмахдля расчета номеров разделов.Быстрый взгляд показывает, что он содержит псевдокод для алгоритмов.Эти алгоритмы, вероятно, будут быстрее, чем все, что вы или я могли бы создать.