A Super-Fast Way to Loop in Python
Zusammenfassung
Kurz
Der Bericht vergleicht Python-Schleifen mit eingebauten Funktionen und NumPy anhand einer großen Summe sowie des Durchschnitts gefilterter Prüfungsergebnisse. Die genannten NumPy-Varianten sind in diesen Beispielen deutlich schneller; da Angaben zu Rechner, Versionen und Messbedingungen fehlen, belegen die Zeiten keinen allgemeinen Vorteil für jede Schleife.
Mittel
Frank Andrade zeigt in zwei Beispielen, wie eingebaute Python-Funktionen und NumPy bestimmte numerische Berechnungen beschleunigen können. Für die Summe einer Range mit 100 Millionen Werten nennt er etwa 6,58 Sekunden mit einer for-Schleife, 0,84 Sekunden mit `sum(range(...))` und 0,22 Sekunden mit `np.sum(np.arange(...))`. Als Erklärung führt er Vektorisierung an: NumPy verarbeitet Array-Operationen, statt jeden Wert in Python einzeln zu bearbeiten.
Im zweiten Beispiel wird der Durchschnitt zufällig erzeugter Prüfungsergebnisse unter 70 aus 100.000.010 Werten berechnet. Eine Schleife benötigt laut Bericht rund 15,7 Sekunden, die NumPy-Filterung mit anschließender Mittelwertberechnung etwa 0,78 Sekunden. Daraus empfiehlt der Autor, für numerische Aufgaben nach Möglichkeit eingebaute Funktionen und NumPy-Vektoroperationen zu nutzen.
Die Zeiten sind berichtete Ergebnisse konkreter Beispiele. Der Text nennt weder Hardware und Softwareversionen noch Messbedingungen oder Wiederholungen und belegt deshalb keine allgemeine Beschleunigung beliebiger Python-Schleifen.
Ausführlich lesen
Der vollständige Bericht von Frank Andrade erklärt anhand zweier Zahlenbeispiele, dass sich bestimmte Python-Berechnungen durch eingebaute Funktionen und NumPy beschleunigen lassen. Der Autor räumt ein, dass Python langsamer als manche andere Programmiersprachen sei, und empfiehlt, Code zu optimieren. Seine Beispiele vergleichen Laufzeiten; sie sind keine allgemeine Messung aller Schleifen oder Python-Programme.
Zunächst summiert der Bericht die Zahlen einer Python-Range mit 100 Millionen Werten in einer gewöhnlichen for-Schleife. Dabei wird eine Variable fortlaufend erhöht. Laut Autor dauert diese Variante ungefähr 6,58 Sekunden. Er ersetzt sie anschließend durch `sum(range(...))`; für diese eingebaute Funktion nennt der Bericht rund 0,84 Sekunden.
Als nächste Variante wird NumPy verwendet: `np.sum(np.arange(...))` soll dieselbe Art von Summe in etwa 0,22 Sekunden berechnen. Der Autor führt den Geschwindigkeitsvorteil auf Vektorisierung zurück. Dabei werden Operationen auf Datenstrukturen wie Arrays angewandt, statt Werte in einer Python-Schleife einzeln zu verarbeiten. NumPy sei vor allem für numerische Berechnungen nützlich und größtenteils in C geschrieben. Daraus leitet der Beitrag die Empfehlung ab, nach Möglichkeit Vektoroperationen zu verwenden.
Ein weiteres Beispiel betrachtet 100.000.010 zufällig erzeugte Prüfungsergebnisse zwischen 1 und 100. Gesucht ist der Durchschnitt der Ergebnisse unter 70. In der Schleifenlösung werden passende Werte einzeln aufsummiert und gezählt; dafür gibt der Autor etwa 15,7 Sekunden an. Die NumPy-Variante filtert das Array nach der Bedingung `score < 70` und berechnet den Mittelwert der ausgewählten Werte. Ihre Laufzeit betrage ungefähr 0,78 Sekunden. Der Beitrag bewertet diese Lösung als deutlich schneller und unkompliziert.
Die Messwerte und Schlussfolgerungen sind dem Bericht zufolge illustrative Ergebnisse dieser Beispiele. Angaben zu Rechner, Python- oder NumPy-Version, Wiederholungen und Messbedingungen fehlen. Auch wird kein allgemeiner Vergleich für beliebige Schleifen gezeigt: Das erste Beispiel betrifft eine reine Summe, das zweite eine numerische Filter- und Mittelwertberechnung. Der Text belegt daher die berichteten Laufzeitunterschiede für seine konkreten Beispiele, aber keine universelle Beschleunigung für jeden Python-Code. Am Ende folgen Eigenwerbung für einen kostenlosen Datenwissenschafts-Spickzettel und eine Medium-Mitgliedschaft; diese Teile tragen nicht zu den technischen Vergleichen bei.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Im Auftrag sind keine Fragen angegeben (Sammel- und Teilfragen sind leer), daher bleibt die Einordnung leer. Das Schema sieht nur eine Zusammenfassung vor, deshalb wurden die kurze und die mittlere Zusammenfassung von Luna gemeinsam bewertet. Beide geben die Zahlen korrekt wieder (6,58 s, 0,84 s, 0,22 s, 15,7 s, 0,78 s) und erfinden nichts.
Im Bericht, aber nicht in der Zusammenfassung
- NumPy ist laut Bericht überwiegend in C geschrieben, was als Grund für die Geschwindigkeit genannt wird
- Der Autor nennt Vektorisierung ein bis zwei Größenordnungen schneller als reine Python-Berechnungen
- Die eingebaute Funktion sum(range(...)) ist laut Bericht schneller als die for-Schleife, und der Autor empfiehlt eingebaute Funktionen ausdrücklich gegenüber Schleifen
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.