haskell - 基准过滤器和分区

Question

我正在测试列表的 partition 函数的性能，我认为得到了一些奇怪的结果。

我们有这个partition p xs == (filter p xs, filter (not .p) xs)，但我们选择了第一个实现，因为它只对列表执行一次遍历。然而，我得到的结果表明，使用两次遍历的实现可能会更好。

这是显示我所看到内容的最小代码

import Criterion.Main
import System.Random
import Data.List (partition)

mypartition :: (a -> Bool) -> [a] -> ([a],[a])
mypartition p l = (filter p l, filter (not . p) l)



randList :: RandomGen g => g -> Integer -> [Integer]
randList gen 0 = []
randList gen n = x:xs
  where
    (x, gen') = random gen
    xs = randList gen' (n - 1)

main = do
  gen <- getStdGen
  let arg10000000 = randList gen 10000000
  defaultMain [
      bgroup "filters -- split list in half " [
        bench "partition100"         $ nf (partition (>= 50)) arg10000000
      , bench "mypartition100"       $ nf (mypartition (>= 50)) arg10000000
      ]
      ]

我使用 -O 和不使用它都运行了测试，两次我都发现双重遍历更好。

我正在使用 ghc-7.10.3 和 criterion-1.1.1.0

我的问题是:

• 这是预期的吗？

• 我是否正确使用了 Criterion？我知道惰性可能很棘手，并且如果使用了元组的两个元素，(filter p xs, filter (not .p) xs) 只会进行两次遍历。

• 这是否与 Haskell 中处理列表的方式有关？

非常感谢!

Answer 1

这个问题没有非黑即白的答案。要剖析这个问题，请考虑以下代码:

import Control.DeepSeq
import Data.List (partition)
import System.Environment (getArgs)


mypartition :: (a -> Bool) -> [a] -> ([a],[a])
mypartition p l = (filter p l, filter (not . p) l)


main :: IO ()
main = do
  let cnt = 10000000
      xs = take cnt $ concat $ repeat [1 .. 100 :: Int]
  args <- getArgs
  putStrLn $ unwords $ "Args:" : args
  case args of
    [percent, fun]
      -> let p = (read percent >=)
         in case fun of
           "partition"      ->              print $ rnf $ partition   p xs
           "mypartition"    ->              print $ rnf $ mypartition p xs
           "partition-ds"   -> deepseq xs $ print $ rnf $ partition   p xs
           "mypartition-ds" -> deepseq xs $ print $ rnf $ mypartition p xs
           _ -> err
    _ -> err
  where
    err = putStrLn "Sorry, I do not understand."

我不使用 Criterion 来更好地控制评估顺序。为了获取计时，我使用 +RTS -s 运行时选项。不同的测试用例使用不同的命令行选项执行。第一个命令行选项定义谓词保存的数据百分比。第二个命令行选项在不同的测试之间进行选择。

测试区分两种情况:

1. 数据是延迟生成的(第二个参数 partition 或 mypartition)。
2. 数据已在内存中完全评估(第二个参数 partition-ds 或 mypartition-ds)。

分区的结果始终从左到右计算，即从包含谓词所适用的所有元素的列表开始。

在情况 1 中，partition 的优点是，在生成输入列表的所有元素之前，第一个结果列表的元素就会被丢弃。如果谓词匹配许多元素，即第一个命令行参数很大，则情况 1 特别好。

在情况 2 中，partition 无法发挥此优势，因为所有元素都已在内存中。

对于mypartition，在任何情况下，在计算第一个结果列表后，所有元素都会保存在内存中，因为再次需要它们来计算第二个结果列表。因此，这两种情况没有太大区别。

看来，使用的内存越多，垃圾收集就越困难。因此，如果谓词匹配许多元素并且使用惰性变体，则 partition 非常适合。

相反，如果谓词不匹配许多元素或所有元素都已在内存中，则 mypartition 性能更好，因为与 partition 相比，它的递归不处理对>.

Stackoverflow 问题“Irrefutable pattern does not leak memory in recursion, but why? ” 可能会提供有关 partition 递归中对的处理的更多见解。