面向对象与基于矢量的编程[关闭]

Question

我在面向对象和基于矢量的设计之间纠结。我喜欢物体赋予整个建筑的能力、结构和安全性。但与此同时，速度对我来说非常重要，在数组中包含简单的浮点变量确实有助于基于向量的语言/库，如 Matlab 或 Python 中的 numpy。

这是我写的一段代码来说明我的观点

问题：添加 Tow 波动率数字。如果 x 和 y 是两个波动率数字，则波动率之和为 (x^2 + y^2)^0.5（假设某些数学条件，但这在这里并不重要）。

我想非常快地执行此操作，同时我需要确保人们不会以错误的方式（x+y）添加波动率。这两点都很重要。

基于 OO 的设计是这样的：

from datetime import datetime 
from pandas import *

class Volatility:
    def __init__(self,value):
       self.value = value

    def __str__(self):
       return "Volatility: "+ str(self.value)

    def __add__(self,other):
        return Volatility(pow(self.value*self.value + other.value*other.value, 0.5))

（旁白：对于 Python 新手来说，add 只是一个覆盖 '+' 运算符的函数）

假设我添加了两个波动率值列表

n = 1000000
vs1 = Series(map(lambda x: Volatility(2*x-1.0), range(0,n)))
vs2 = Series(map(lambda x: Volatility(2*x+1.0), range(0,n))) 

（旁白：同样，Python 中的 Series 是一种带有索引的列表） 现在我想添加两个：

t1 = datetime.now()
vs3 = vs1 + vs2
t2 = datetime.now()
print t2-t1

仅在我的机器上运行了 3.8 秒的加法，我给出的结果根本不包括对象初始化时间，它只是已计时的加法代码。如果我使用 numpy 数组运行相同的东西：

nv1 = Series(map(lambda x: 2.0*x-1.0, range(0,n)))
nv2 = Series(map(lambda x: 2.0*x+1.0, range(0,n)))

t3 = datetime.now()
nv3 = numpy.sqrt((nv1*nv1+nv2*nv2))
t4 = datetime.now()
print t4-t3

运行时间为 0.03 秒。速度快了 100 多倍！

如您所见，OOP 方法给了我很多安全性，人们不会以错误的方式添加 Volatility，但向量方法实在是太快了！有没有一种我可以同时获得的设计？我相信你们中的很多人都遇到过类似的设计选择，你们是怎么解决的？

这里的语言选择无关紧要。我知道你们中的很多人会建议使用 C++ 或 Java，而且代码可能比基于向量的语言运行得更快。但这不是重点。我需要使用 Python，因为我有许多其他语言没有的库。那是我的约束。我需要在其中进行优化。

而且我知道，很多人会建议并行化，gpgpu 等。但我想首先最大化单核性能，然后我可以并行化两个版本的代码。

提前致谢！

Answer 1

对于这些情况，一个可能的解决方案是退后一步：您真的需要或想要将单个值表示为对象吗？如果您的对象是Volatile 的整个数组（或系列）怎么办？两全其美。

即使个别Volatile 对象有一些用途，您也可以实现flyweight pattern，其中Volatile 对象只是数组中位置的包装，所有方法都将在数组上操作。

Answer 2

您可以在矢量化操作之上进行抽象、封装、代码重用等（通过 OOP 或其他方式）。您只需要选择正确的粒度：您的单元抽象（对象）应该是多个值，以匹配矢量化实现。据我所知，没有复数的波动率，但是对于您的特定用例，无论如何可能有一个更合适的术语（您的波动率值集是什么意思？）。

是的，这意味着性能问题会影响抽象和 API（但无论如何都会发生这种情况）。不，影响不是（必然）减少的抽象，甚至不是泄漏的抽象。它只是改变了抽象的形状。事实上，这甚至可以为其余代码提供更方便的 API，只要它一次只对所有值进行操作。