面向对象与基于矢量的编程

我陷入了面向对象和基于矢量的设计之间。我喜欢对象赋予整个建筑的能力，结构和安全性。但是同时，速度对我来说非常重要，并且在数组中具有简单的float变量确实对基于矢量的语言/库（例如Matlab或Python中的numpy）有所帮助。

这是我写来说明我的观点的一段代码

问题：添加拖车波动率数字。如果x和y是两个波动率数字，则波动率的总和为（x ^ 2 + y ^ 2）^ 0.5（假设有一定的数学条件，但在这里并不重要）。

我想非常快地执行此操作，同时我需要确保人们不要以错误的方式（x + y）添加波动率。两者都很重要。

基于面向对象的设计将是这样的：

from datetime import datetime 
from pandas import *

class Volatility:
    def __init__(self,value):
       self.value = value

    def __str__(self):
       return "Volatility: "+ str(self.value)

    def __add__(self,other):
        return Volatility(pow(self.value*self.value + other.value*other.value, 0.5))

（此外：对于那些不熟悉Python的人来说，__add__它只是一个覆盖+运算符的函数）

假设我添加了两个波动率列表

n = 1000000
vs1 = Series(map(lambda x: Volatility(2*x-1.0), range(0,n)))
vs2 = Series(map(lambda x: Volatility(2*x+1.0), range(0,n))) 

（此外：同样，Python中的系列是带有索引的列表）现在我想添加两个：

t1 = datetime.now()
vs3 = vs1 + vs2
t2 = datetime.now()
print t2-t1

只是加法在我的机器上运行了3.8秒，我给出的结果根本不包括对象初始化时间，仅是定时的加法代码。如果我使用numpy数组运行同一件事：

nv1 = Series(map(lambda x: 2.0*x-1.0, range(0,n)))
nv2 = Series(map(lambda x: 2.0*x+1.0, range(0,n)))

t3 = datetime.now()
nv3 = numpy.sqrt((nv1*nv1+nv2*nv2))
t4 = datetime.now()
print t4-t3

运行时间为0.03秒。快100倍！

如您所见，OOP方法为我提供了很多安全性，人们不会以错误的方式添加Volatility，但是vector方法是如此之快！有没有我可以兼得的设计？我敢肯定，你们中很多人都遇到过类似的设计选择，您是如何实现的呢？

这里的语言选择无关紧要。我知道很多人建议使用C ++或Java，并且无论如何，这些代码的运行速度可能比基于矢量的语言要快。但这不是重点。我需要使用Python，因为我有许多其他语言都没有的库。那是我的约束。我需要在其中进行优化。

而且我知道，很多人会建议并行化，gpgpu等。但是我想先最大化单核性能，然后才能并行化两个代码版本。

提前致谢！

如您所见，OOP方法为我提供了很多安全性，人们不会以错误的方式添加Volatility，但是vector方法是如此之快！有没有我可以兼得的设计？我敢肯定，你们中很多人都遇到过类似的设计选择，您是如何实现的呢？

设计更大的对象。一个Pixel对象没有并行空间或GPU图像转换之类的呼吸空间。一个Image没有提供它并没有去通过一个很小的屏障Pixel对象获取的数据。

这是不可能给出确切答案的领域之一，因为它涉及到权衡。正如您发现的那样，OO和基于向量的方法都不总是优越的，但是这完全取决于软件的使用方式。

您可以尝试将两者的优点结合起来，创建一个Volatility对象和一个VolatilitySeries对象，其中第二个概念上表示一系列波动性对象，但内部使用的存储方法更适合对计算进行矢量化处理（数组结构） 。然后，您只需要教育您的用户，使用VolatilitySeries优于Series(Volatility)。