本文作者戴卓嘉,拥有 10 年开发经验的数据科学家,以下是他对 Julia、R、Python 分别在字符串排序速度上的示例与对比,Python 为何会被碾压?废话不多说,马上开讲。
一个新的字符串排序算法 RadixSort 已作为 SortingLab.jl 的一部分发布了。
这个新算法能让 Julia 的字符串排序速度快3倍!特别是对固定长度的字符串。
用法示例
当单个字符串的数量接近数字字符串时,Julia 是最快的,用了 Numpy 排序的 Python 第二,R 最慢。
而当存在大量重复值(或者如果单一字符串与字符串的比例很小,例如1:100)并且如果存在大数元素,R 是最快的。
但如果要排序的数字元素很小(例如1000万),Julia 有时会比 R 更快,即使有很多重复项。
R 使用的是一种字符串驻留形式,理论上讲,这种方法需要更多的安装时间。Julia 默认没有字符串驻留,因此无法执行 R 使用开箱即用的优化。
对应的排序算法代码获取地址:
Julia:
https://gist.github.com/xiaodaigh/d2014bb892134d8636a0af1bce0db859#file-string_sort_perf-jl
R + Python:
https://github.com/Rdatatable/data.table/wiki/Benchmarks-:-Grouping
效果展示
能够快速排序字符串是现代数据操作的关键支柱。虽然我们承认对字符串向量进行排序时,真正想要的其实是分组,但是能够快速排序字符串仍然很有价值。
然而,最初的调查显示,在对具有大量重复值的字符串进行排序时,与 R 相比,Julia 中的字符串排序较慢。这可能是通过 R 将 Julia 与 C 进行比较,但从用户的角度来看,直言不讳地说,他们可能并不关心。
对 Julia 来说,虽然有 radixsort 的 3 倍性能加持,但毕竟还是比不过 R。此外,Python 也很慢(参见上面的基准测试),希望 pandas2 可以帮助解决这个问题 。
但是我觉得,这只是明确地证实 Julia 生态系统目前还不完善,而并不能因此认为 Julia 一定就慢,一定就比不过 R。
考虑到这一点,我想调研 Julia 进行字符串排序的速度,能否和 R 并驾齐驱,至少能够接近 R 在字符串排序中的表现。研究后发现 R 使用基数排序对字符串进行排序,因此是字符串基数排序的 Julia 实现就是顺理成章的事。
我的大部分研究都指向了字符串的最高有效数字(MSD)基数排序的一些变体。此外,对于已在 SortingAlgorithms.jl 中实现的某些位类型(但不是字符串),存在 LSD 基数排序。 所以我已经实现了 MSD 和 LSD 变种的基数排序算法。
以下是我在开发基数字符串排序算法时遇到的几个问题。
问题 1:访问底层字节
要执行基数排序,需要访问基础字节。 在字符串中加载第 n 个字符的字节的一种方法是通过代码单元 codeunit(s, n) 。例如:
但是根据我的计算,这个会很慢,赶不上 R。经过多次实验,我发现一次加载 8 个字节几乎与加载 1 个字节一样快,因此这成了我的首选方法。
这种方法也有两个情况:
1. 字符串短于 8 个字节的情况
短于 8 字节的时候,我们需要特别小心。如果无论如何都加载 8 个字节,并将不需要的位设置为 0,我的经验来看大部分情况下是可行的。但仍然可能导致尝试访问程序不可用的内存并导致崩溃。目前解决它的方法是测试长度是否短于 8 个字节,然后使用较慢的加载器。
而一般出现崩溃的情况,都是发生在跨页面边界加载数据的时候。要搞清楚到底什么时候程序会崩溃,需要了解内存的加载方式。我的理解是:
因此 Julia 布道者 @stevengj 指出,可以使用(UInt(pointer(s)) & 0xfff) > 0xff8 来检查字符串是否在边界附近
2. 字符串超过 8 个字节的情况
如果字符串超过 8 个字节,可以一次迭代地对字符串向量进行 8 字节排序。 在基数排序的 MSD 和 LSD 变体中都有很多方法,在此不再赘述。
问题 2:在排序基数时置换字符串
一旦将基础字节加载到字节向量中,就可以使用基数排序对字节向量进行排序,这非常快。但是还需要同时置换原始的字符串向量。为此,我编写了 sorttwo!(bytesvec, stringvec) 函数,用来给字节向量 bytesvec 进行排序,并以在排序过程中置换 bytesvec 相同的方式置换字符串向量。
sorttwo! 函数是对 SortingAlgorithms.jl 中现有基数排序函数的简单修改。对于 R 用户, sortperm 相当于 R 的 order。
我已经实现了 MSD 和 LSD 变量。 根据我的研究,通常情况是 MSD 算法对于可变长度字符串支持更好,并且 LSD 算法对固定长度算法最有效。有些人甚至声称 LSD 不适用于可变长度字符串向量。 我认为这不正确,因为你可以用 0 表示一个空字节(即使技术上是 null)。
例如,如果我使用 8 字节加载器加载字符串“abc”,则它变为十六进制格式,0x6162630000000000 其中 6162 和 63 是 ASCII 码“a”,“b”和“c”十六进制表示形式。
我可以使用基数排序和其他字符串对其进行排序,但这是否是最有效的是真正的问题,还不确定。我对 MSD radixsort 的实现基于 radix 3-way 快速排序。
从基准测试来看,即使对于可变长度字符串,我的 MSD 实现也不像 LSD 算法那样高效,这就有点奇怪了。因为我的大多数研究都认为 MSD 比 LSD 更具性能。这可能表明我对 MSD 基数排序的实现不是最理想的。
许多人指出 R 使用一种字符串驻留来存储其字符串。我对其工作原理的理解是这样的:例如,考虑 a = c("abcdefghi", "abcdefghi") 是包含相同内容的两个字符串的向量,因此 a[1] 和 a[2] 只指向“abcdefghi”的一个存储空间,而不是存储相同字符串的两个副本。
如果相同的字符串仅存储一次,很显然是可以提高空间效率。此外,更重要的是,人们能够利用它来制作更高性能的算法。
此外,这有可能简化分组操作。如果用户知道具有相同内容的所有字符串具有相同的指针,那么我们可以直接给固定大小的指针进行分组,从而可以更快地进行排序和分组。
但是,Julia 默认没有驻留的字符串(虽然有一个包InternedStrings.jl ),因此这些类型的优化并不容易获得,导致 Julia 可能很难在所有情况下匹配 R 的字符串排序性能。
这开辟了另一种看待事物的方式:R 需要更长的时间来加载这些字符串,因为它们还需要将它加载到全局缓存中;加载时间越长,分拣速度越快。 那么,Julia 就可能会创建一个模仿 R 行为并导致更高性能排序的数据结构。
尽管现在 R 最快,未来还真不好说。有研究论文表明,最有效加快排序算法速度的方法,就是并行技术,因此我对 MSD 字符串基数排序的实现可能不是最优解。
九、结束语
这篇文章主要是作者的思路和结论。省去了中间的起承转合,很考验读者对算法的理解程度。其实无论是人,机器,算法,追求的都是更快、更高、更强。不断地发现并突破极限,才会有新技术、新算法被创造出来。
如果你也想投入算法的星辰大海中,王晓华的《算法应该怎么“玩”?》千万不要错过,它既能帮助你掌握各种常用的基础算法、算法设计的常用思想和模式,还能让你拥有建模的能力。