Julia 和 Python，哪一个更快？( 三 ) _Julia

print(“Time = “,t.time()-start)

Time = 0.001316070556640625

import random

import time as t

l = 0

h= 10

cols = 10

rows= 10

choices = list (map(float, range(l,h)))

x = [random.choices (choices , k=cols) for _ in range(rows)]

y = [random.choices (choices , k=cols) for _ in range(rows)]

result = [([0]*cols) for i in range (rows)]

start = t.time()

for i in range(len(x)):

for j in range(len(y[0])):

for k in range(len(result)):

【Julia 和 Python，哪一个更快？】
result[i][j] += x[i][k] * y[k][j]

print(result)

print(“Time = “, t.time()-start)

Time = 0.0015912055969238281

FOR_SEARCH:
Elapsed CPU time: 16.420260511 seconds
matches: 550
Elapsed CPU time: 16.140975079 seconds
matches: 550
Elapsed CPU time: 16.49639576 seconds
matches: 550
IN:
Elapsed CPU time: 6.446583343 seconds
matches: 550
Elapsed CPU time: 6.216615487 seconds
matches: 550
Elapsed CPU time: 6.296716556 seconds
matches: 550

从以上结果来看，在 Julia 中使用循环和运算符并不会产生显著的时间差异。但是在 Python 中循环几乎比运算符 IN 多花了三倍的时间。有趣的是，在这两种情况下，Julia 都比 Python 快得多。
线性回归
下一个实验是测试机器学习算法。我们选择了以一种最常见和最简单的机器学习算法，使用简单数据集的线性回归。我们使用了一个包含 237 条数据的数据集 “Head Brain”，数据集的两列分别为 “HeadSize” 和 “BrainWeight” 。接下来，我们使用 “head size” 数据去计算 “brain weight” 。在 Python 和 Julia 中我们都没有使用第三方库，而是从零实现了线性回归算法。
Julia：