一个快速FIFO队列的良好实现方法是什么？

Question

一个快速FIFO队列的良好实现方法是什么？

3

我正在使用Python从外部设备进行采样，并将值存储在FIFO队列中。我有一个固定大小的数组，我从一端加入新样本，然后从另一端出队“最旧”的值（我从这里了解了这些术语：https://stackabuse.com/stacks-and-queues-in-python/）。我尝试了不同的实现方法，每个方法的性能都很大程度上取决于FIFO数组的大小，如下面的示例所示。是否存在比我收集到的更快的FIFO队列方法？此外，在这些方法中，除了我可以测量到的速度之外，还应该关注哪些其他问题？

import numpy as np
import time
import numba

@numba.njit
def fifo(sig_arr, n):
    for i in range(n):
        sig_arr[:-1] = sig_arr[1:]
        sig_arr[-1] = i
    return

n = 1000000 # number of enqueues/dequeues
for m in [100, 1000, 10000]: # fifo queue length
    print("FIFO array length is:" + str(m))
    print("Numpy-based queue")
    sig_arr_np = np.zeros(m)
    for _ in range(5):
        tic = time.time()
        for i in range(n):
            sig_arr_np[:-1] = sig_arr_np[1:]
            sig_arr_np[-1] = i
        print(time.time() - tic)

    print("Jitted numpy-based queue")
    sig_arr_jit = np.zeros(m)
    for _ in range(5):
        tic = time.time()
        fifo(sig_arr_jit, n)
        print(time.time()-tic)

    print("list-based queue")
    sig_arr_list = [0]*m
    for _ in range(5):
        tic = time.time()
        for i in range(n):
            sig_arr_list.append(i)
            sig_arr_list.pop(0)
        print(time.time() - tic)
print("done...")

输出：

FIFO array length is:100
Numpy-based queue
0.7159860134124756
0.7160656452178955
0.7072808742523193
0.6405529975891113
0.6402220726013184
Jitted numpy-based queue
0.34624767303466797
0.10235905647277832
0.09779787063598633
0.10352706909179688
0.1059865951538086
list-based queue
0.19921231269836426
0.18682050704956055
0.178941011428833
0.190687894821167
0.18914198875427246
FIFO array length is:1000
Numpy-based queue
0.7035880088806152
0.7174069881439209
0.7061927318572998
0.7100749015808105
0.7161743640899658
Jitted numpy-based queue
0.4495429992675781
0.4449293613433838
0.4404451847076416
0.4400477409362793
0.43927478790283203
list-based queue
0.2652933597564697
0.26186203956604004
0.2784764766693115
0.27001261711120605
0.2699151039123535
FIFO array length is:10000
Numpy-based queue
2.0453989505767822
1.9288575649261475
1.9308562278747559
1.9575252532958984
2.048408269882202
Jitted numpy-based queue
5.075503349304199
5.083268404006958
5.181215286254883
5.115811109542847
5.163492918014526
list-based queue
1.2474076747894287
1.2347135543823242
1.2435767650604248
1.2809157371520996
1.237732172012329
done...

编辑：在这里，我加入了Jeff H.建议的解决方案，并将deque设置为固定大小，这样就不需要使用.pop()方法，这使得速度稍微快了一点。

n = 1000000 # number of enqueues/dequeues
for m in [100, 1000, 10000]: # fifo queue length
    print("deque-list-based queue")
    d = deque([None], m) 
    for _ in range(3):
        tic = time.time()
        for i in range(n):
            d.append(i)
        print(time.time() - tic)

- blvb

你有对脚本进行性能分析，看看它花费了大部分的时间吗？如果没有，我建议在尝试优化之前先这样做。请参阅如何对Python脚本进行性能分析？ - martineau

嗨@martineau。感谢您的建议。不，我还没有这样做。但是，我只比较每个实现中仅两行代码的执行时间。 - blvb

我在考虑对FIFO的实现进行性能分析。 - martineau

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- AirSquid · Accepted Answer

为什么不试试更自然的选择：collections.deque？

以上所有实现方式都存在相同的性能问题，因为它们都是基于列表实现，每次入队/出队都需要O(N)的时间复杂度。一个合适的数据结构应该在FIFO的操作中都在常数时间O(1)内完成。

考虑使用如下代码：

from collections import deque

from collections import deque

n = 1000000 # number of enqueues/dequeues
for m in [100, 1000, 10000, 1_000_000]: # fifo queue length
    print(f'\nqueue length: {m}')
    print('deque')
    d = deque(range(m))
    for _ in range(5):
        tic = time.time()
        for i in range(n):
            d.append(i)
            d.pop()
        print(time.time() - tic)
print("done...")

产量：（请注意更大的 m 值和接近恒定的时间，在任何大小上都比以上所有的方法都要好）

queue length: 100
deque
0.13888287544250488
0.13873004913330078
0.13820695877075195
0.1369168758392334
0.1436598300933838

queue length: 1000
deque
0.1434800624847412
0.13672494888305664
0.1380469799041748
0.14961719512939453
0.13932228088378906

queue length: 10000
deque
0.14437294006347656
0.14214491844177246
0.13336801528930664
0.14667487144470215
0.1375408172607422

queue length: 1000000
deque
0.13426589965820312
0.13596534729003906
0.13602590560913086
0.13472890853881836
0.134993314743042
done...
[Finished in 3.4s]