Question

我正在进行序列比对，并且遇到了与我的dict数据结构的起源有关的相当神秘的计时问题。基本上，我有函数alignment(s1, s2, scores) 它包含两个字符串s1和s2，以及每个可能的20个氨基酸对和一个间隙' - '的评分矩阵（作为python dict）。所以scores有440个键（char1，char2），带有整数值。

这是一个谜：如果我从文本文件中读取scores（称之为score1）并运行 alignment(s1, s2, scores1) 对于一些1000长的字符串s1，s2的氨基酸我得到以下时间（使用cProfile并且没有显示函数输出）：

2537776 function calls in 11.796 seconds

现在如果我在我的文件中创建完全相同的dict（称之为score2）并运行 alignment(s1, s2, scores2) 我得到了相同的输出结果，但时间缩短了3倍：

2537776 function calls in 4.263 seconds

两种情况下的输出都是相同的，只是时间不同。运行print scores1 == scores2会产生True，因此它们包含相同的信息。我验证了使用访问dict的任意函数（而不是对齐）在这两种情况下，很多次产生相同的3时序差异因子。

必须有一些与dicts来源相关的元数据，这会减慢我的功能（从文件开始），即使在两种情况下我实际上都在文件中读取。我尝试为每个via scores1 = dict(scores1)等创建一个新的dict对象，但同样的时间差异仍然存在。相当令人困惑，但我很确定如果我能弄明白的话，会有一个很好的教训。

scores1 = create_score_dict_from_file('lcs_scores.txt')
scores2 = create_score_dict(find_alp(s1, s2), match=1, mismatch=0, indel=0)
print scores1 == scores2   # True
alignment(s1, s2, scores1) # gives right answer in about 12s
alignment(s1, s2, scores2) # gives right answer in about 4s

编辑：在下面添加了代码和结果：

以下是代码的简化版本：

import numpy as np
from time import time

def create_scores_from_file(score_file, sigma=0):
    """
    Creates a dict of the scores for each pair in an alphabet,
    as well as each indel (an amino acid, paired with '-'), which is scored -sigma.

    """
    f = open(score_file, 'r')
    alp = f.readline().strip().split()
    scores = []
    for line in f:
        scores.append(map(int, line.strip().split()[1:]))
    f.close()
    scores = np.array(scores)
    score_dict = {}
    for c1 in range(len(alp)):
        score_dict[(alp[c1], '-')] = -sigma
        score_dict[('-', alp[c1])] = -sigma
        for c2 in range(len(alp)):
            score_dict[(alp[c1], alp[c2])] = scores[c1, c2]
    return score_dict

def score_matrix(alp=('A', 'C', 'G', 'T'), match=1, mismatch=0, indel=0):
    score_dict = {}
    for c1 in range(len(alp)):
        score_dict[(alp[c1], '-')] = indel
        score_dict[('-', alp[c1])] = indel
        for c2 in range(len(alp)):
            score_dict[(alp[c1], alp[c2])] = match if c1 == c2 else mismatch
    return score_dict

def use_dict_in_function(n, d):
    start = time()
    count = 0
    for i in xrange(n):
        for k in d.keys():
            count += d[k]
    print "Time: ", time() - start
    return count

def timing_test():
    alp = tuple('A  C  D  E  F  G  H  I  K  L  M  N  P  Q  R  S  T  V  W  Y'.split())
    scores1 = create_scores_from_file('lcs_scores.txt')
    scores2 = score_matrix(alp, match=1, mismatch=0, indel=0)
    print type(scores1), id(scores1)
    print type(scores2), id(scores2)
    print repr(scores1)
    print repr(scores2)
    print type(list(scores1)[0][0])
    print type(list(scores2)[0][0])
    print scores1 == scores2
    print repr(scores1) == repr(scores2)
    n = 10000
    use_dict_in_function(n, scores1)
    use_dict_in_function(n, scores2)

if __name__ == "__main__":
    timing_test()

结果是：

<type 'dict'> 140309927965024
<type 'dict'> 140309928036128
{('S', 'W'): 0, ('G', 'G'): 1, ('E', 'M'): 0, ('P', '-'): 0,... (440 key: values)
{('S', 'W'): 0, ('G', 'G'): 1, ('E', 'M'): 0, ('P', '-'): 0,... (440 key: values)
<type 'str'>
<type 'str'>
True
True
Time:  1.51075315475
Time:  0.352770090103

以下是文件lcs_scores.txt的内容：

   A  C  D  E  F  G  H  I  K  L  M  N  P  Q  R  S  T  V  W  Y
A  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
C  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
D  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
E  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
F  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
G  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  
H  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  
I  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  
K  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  
L  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  
M  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  
N  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  
P  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  0  
Q  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  0  
R  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  0  
S  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  0  
T  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  0  
V  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  
W  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  
Y  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1

Answer 1

哪个版本的Python？并打印每个字典的repr()以确保它们真的相同（不是只是它们比较相等）。无法猜测。例如，也许您正在使用Python 2，在一种情况下，char1和char2是纯字符串，但在另一种情况下，它们是Unicode字符串。然后比较会说它们是相同的，但repr()会显示差异：

>>> d1 = {"a": 1}
>>> d2 = {u"a": 1}
>>> d1 == d2
True
>>> print repr(d1), repr(d2)
{'a': 1} {u'a': 1}

在任何情况下，在CPython中，绝对没有内部“元数据”记录，其中任何对象来自。

编辑 - 尝试的东西

精彩的工作减少了问题！这变得很愉快:-)我希望你尝试一下。首先注释掉这一行：

    scores = np.array(scores)

然后改变这一行：

            score_dict[(alp[c1], alp[c2])] = scores[c1, c2]

为：

            score_dict[(alp[c1], alp[c2])] = scores[c1][c2]
                                                    ^^^^^^

当我这样做时，这两种方法基本上返回相同的时间。我不是numpy专家，但我的猜测是你的“从文件”代码使用机器本地numpy整数类型作为dict值，并且将这些转换为每当使用值时，Python都会整数。

或许不是 - 但这是我现在的猜测，而且我坚持它; - ）

python dict计时之谜

1 个答案: