AtCoder青になるまで使ったPythonパフォーマンス小ネタ - htkb-proconの日記
AtCoder青になったらなんか書こうと思っていて、12/22に無事青になれたのですが、よく考えたらあんま書くことないな……と思ってる間に年が開けてしまいました。知識披露でもサクセスストーリー的な話でも既に109+7人くらいいる青コーダー達が語り尽くしてしまっているのですが、知識の整理を兼ねてPythonという遅い言語で競プロをやる上でのパフォーマンス関連の小ネタを少しまとめてみました。きっとどこかで見たような話ばっかりですが。 残念ながらPython競プロにおいて重要なnumpy/scipyネタは語れるほど知らないのでありません。LLだとnumpy/scipy使わないとほぼ絶対通せない系の問題がたまにあるのでいずれちゃんとやらねばと思っていますが……。 以下でのベンチの数字は Core i5-8259U, DDR4-2400 8G, Ubuntu 18.10 x64, Python 3.
100万倍速いプログラムを書く - Qiita
この記事はなんなの プログラミングを始めたばかりで高速化の大枠が全くわからず意味不明なことをしていた在学時、こんな資料があったら良かったのになあ、と思って書いたもの。 書いて、在学時研究室に押し付けた後紛失したと思われていたものが発掘されたもの。 要約 ライブラリがあるならそれを使う。 ライブラリが無ければ、ボトルネック部分を探してそこだけ高速な言語で書きなおすか、可能なら事前コンパイルする。 最初から全てを Low-Level な言語で書くと大変、でも結果のプログラムは速い。 以下の時間の計測ではインポートにかかる時間は除いています。 使用するもの Python（3系） Numba Scipy Line Profiler Fortran（gfortran） QUADPACK QUADPACK以外の導入方法の説明は色んな所にあるので各自でお願いします。上3つに関しては、個人的にはAnaco
高速化のためのPython Tips - のんびりしているエンジニアの日記
皆さんこんにちは お元気ですか？私は元気です。 Pythonにおける高速化手法を掲載してみます。 簡単なコード並びに索引のような感じで引けるようなイメージで作成しました。 本日の目次です。 Pythonにおける高速化の必要性 Pythonの高速化 高速化の手順 Profiling 基本的な条件 計測コード Pythonの基本的な書き方部分 rangeよりxrangeを（Python2.7） リストの生成 文字列結合 Import文のコスト 関数呼び出しのコスト ドットを避ける yieldを使う Numpyに関するTips Numpyを使用して基本演算を高速化する Numpyの要素にアクセスする演算をしない Numbaで手早く高速化 その他高速化ツール Cython Dask PyPy 感想並びに展望 参考文献 Pythonにおける高速化の必要性 PythonはC++やJavaと比較すると非
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
