[已解决]为什么硬件配置不一样，运行时间却是差不多的

flyps

import time

def normal():
    res = 0
    for _ in range(2):
        for i in range(1000000):
            res += i + i**2 + i**3
    print('normal:', res)



if __name__ == '__main__':
    st = time.time()
    normal()
    st1 = time.time()
    print('normal time:', st1 - st)

用老主机，运行上面的代码，执行时间是20多秒，用新的主机，运行时间是2秒多，其速度提高了近十倍

后面，我运行一段有导入pandas的代码，做纯数据运算。新老主机，计算时间都是差不多，都需要2个多小时，请问为什么会这样，谢谢！！

最佳答案

月排行榜 / 总排行榜

陶远航

2023-6-3 23:47:19

主机的运行速度取决于许多因素，如CPU的频率、内存大小、硬盘的速度等。您所运行的两段代码分别对不同的系统资源有不同的需求。第一段代码主要对CPU的需求较高，而第二段代码主要对内存和硬盘的需求较高。

在第一段代码中，循环执行了较多次的加法和幂操作，这个过程完全由CPU完成，与内存大小无关，因此新的主机在处理这种任务时会快很多。

而在第二段代码中，导入 pandas 库会将数据读入内存进行处理。如果处理的数据量较大，则内存容量可能成为瓶颈。此外，如果数据存储在硬盘上且数据文件较大，读取和写入数据的速度也会对处理时间产生影响。

因此，新的主机可能对CPU性能更好，但在处理大量数据时，即使性能更好的主机也可能受到内存和硬盘读写速度的限制。建议优化代码，减少对内存和硬盘的需求，以提高执行效率。

跳转到最佳答案楼层

陶远航

主机的运行速度取决于许多因素，如CPU的频率、内存大小、硬盘的速度等。您所运行的两段代码分别对不同的系统资源有不同的需求。第一段代码主要对CPU的需求较高，而第二段代码主要对内存和硬盘的需求较高。

在第一段代码中，循环执行了较多次的加法和幂操作，这个过程完全由CPU完成，与内存大小无关，因此新的主机在处理这种任务时会快很多。

而在第二段代码中，导入 pandas 库会将数据读入内存进行处理。如果处理的数据量较大，则内存容量可能成为瓶颈。此外，如果数据存储在硬盘上且数据文件较大，读取和写入数据的速度也会对处理时间产生影响。

因此，新的主机可能对CPU性能更好，但在处理大量数据时，即使性能更好的主机也可能受到内存和硬盘读写速度的限制。建议优化代码，减少对内存和硬盘的需求，以提高执行效率。

isdkz

这是因为计算时间的长短不仅仅取决于硬件配置的好坏，还受到计算机的瓶颈影响。在代码中，第一个例子是CPU密集型任务，而第二个例子是I/O密集型任务。在CPU密集型任务中，主要消耗的是CPU的计算能力，而在I/O密集型任务中，主要消耗的是磁盘I/O和内存I/O的速度。因此，即使新主机的硬件配置比老主机好，但在处理I/O密集型任务时，它们的计算时间可能是差不多的。

sfqxx

根据您提供的信息，猜测原因可能如下：

1. 导入 pandas 库的代码可能涉及更高级别的计算和处理较大数据量。这就导致其所需的 CPU、内存等资源更多，而不是计算速度较快的主机可以轻松处理。因此，即使您将进程任务放在速度较快的主机上，但仍然需要一定的时间来完成此类大规模计算。

2. 请注意，新旧主机之间的差异可能不仅仅是速度的问题，还包括硬件和软件方面的区别。例如，两台计算机的 CPU 架构、缓存大小，以及是否启用了类似于超线程等技术都会影响计算速度。此外，如果两台计算机之间的操作系统、Python 版本或其他程序库版本有变化，也可能导致计算时间的差异。

在尝试使用不同主机计算相对较长时间的代码时，请始终考虑这些因素，并注意基准测试的环境设置和确定方法。

求最佳答案