【Python】Parallels上のUbuntu 22.10でPython 3.11.0のベンチマークをとってみる

こんにちは。ナミレリです。みなさん、UbuntuでもPythonは使っていますか？

前回の記事で、M1 Max、M2 Air、Intel Core i7のMacbookでPythonのベンチマークをとりました。シングルコアの性能が高いM2のMacbook Airがほぼ全ての項目で良い結果となりました。2019年のIntel Core i7のほぼ2倍のパフォーマンスです。詳しくは下の記事をご覧ください。

関連

【Python】Python 3.11.0のベンチマークをいろいろとやってみる

今回は、Parallels Desktop for Mac上のUbuntu22.10で同じPythonのベンチマークをとっていたところ、母艦のM1 Maxより速い結果の項目もあり、そんなこともあるのか！という思いからまとめてみたいと思います。配列アクセス意外はゲストOSの方が速い！というのは意外でした。Parallels Desktop for Macが優秀ということなのか、たまたまなのか・・・。そんな思いからの記事です。

この記事の計測環境

Parallelsの母艦

• MacBook Pro 14インチ M1Max（メモリ32GB）
• macOS Ventura 13.0.1
• pyenv 2.3.6
• Python 3.11.0

ParallelsのゲストOS

• Parallels Desktop for Mac（Parallelsの公式サイト）
• Ubuntu22.10(Kinetic Kudu)
• pyenv 2.3.6
• Python 3.11.0

Parallels 19 for Macの無料トライアル もありますので、ぜひダウンロードして試してみてください。M1/M2/M3のMac上で快適にMacやUbuntu、Windowsが動作します。

NEW Parallels Desktop 19 for Mac

Parallels Desktop 19 for Macは、M1/M2/M3のMac上で快適にMacやUbuntu、Windowsが動作します。

14日間の無料トライアルもありますので、ぜひダウンロードして試してみてください。

Parallels Desktop 19 公式サイト

関連

【初心者向け】Parallels Desktop 19 for Macの特徴とエディションの比較

計測環境について

Parallels Desktop for Macの母艦はM1 Maxの14インチMacBook Proで、ゲストOSはUbuntu 22.10です。

M1 Max（Parallelsの母艦）

sysctl -a | grep -e brand_string -e cpu.core_count
machdep.cpu.core_count: 10
machdep.cpu.brand_string: Apple M1 Max

ParallelsのゲストOS（Ubuntu 22.10）

lsb_release -a
No LSB modules are available.
Distributor ID:	Ubuntu
Description:	Ubuntu 22.10
Release:	22.10
Codename:	kinetic
uname -a
Linux ubuntu-kinetic 5.19.0-23-generic #24-Ubuntu SMP PREEMPT_DYNAMIC Fri Oct 14 15:40:27 UTC 2022 aarch64 aarch64 aarch64 GNU/Linux

はじめに

Python 3.11.0の高速化や新機能については下記サイトを参考にさせていただきました。

また、この記事で比較する処理については下記のサイトを参考にさせていただきました。

1. forループ処理

単純なforによるループ処理を計測してみます。0から100,000,000までの数字をforによりループさせ、それを10回繰り返す処理です。処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(n):
        pass

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が9.8%高速という結果に。

2. 代入処理

上の単純なforによるループ処理に加えて、ans = iの代入を追加したプログラムです。

0から100,000,000までの数字をforによりループさせ、都度その数値をansに代入しています。それを10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    ans = 0
    for i in range(n):
        ans = i

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が7.1%高速という結果に。

3. 定数を使った四則演算

0から100,000,000までの数字をforによりループさせ、都度、決まった四則演算を行っています。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(n):
        1 + 1
        1 - 1
        1 * 1
        1 // 1
        
n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が12.7%高速という結果に。

4. 変数を使った四則演算

2から100,000,000までの数字をforによりループさせ、繰り返し変数iを使って四則演算を行っています。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(2, n):
        i * (i % (i - 1)) + i
        
n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が10.5%高速という結果に。

5. if文

0から100,000,000までの数字をforによりループさせ、if文の条件で繰り返し変数iが0だったら、という処理をしています。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(n):
        if i == 0:
            pass
    
n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が6.7%高速という結果に。

配列アクセス

6. シーケンシャル

0から100,000,000までのリストAを用意して、順番にリストの要素にアクセスします。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    A = [i for i in range(n)]
    for a in A:
        pass

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

配列のアクセスについてはParallels Desktop for MacのゲストOS（Ubuntu）がとても遅く、母艦のM1 Maxより10倍遅いという結果に。

7. ランダムアクセス(Read)

0から100,000,000までのリストAを用意して、indexを指定してリストの要素にアクセスします。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    A = [i for i in range(n)]
    for i in range(n):
        A[i]

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

配列のランダムアクセスもParallels Desktop for MacのゲストOS（Ubuntu）がとても遅く、母艦のM1 Maxより8.3倍遅いという結果に。

8. ランダムアクセス(Write)

0から100,000,000までのリストAを用意して、indexを指定してリストの要素にアクセスします。その要素に0を代入します。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    A = [i for i in range(n)]
    for i in range(n):
        A[i] = 0

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

配列のランダムアクセスのWriteもParallels Desktop for MacのゲストOS（Ubuntu）がとても遅く、母艦のM1 Maxより3.8倍遅いという結果に。

9. ソート

0から1,000,000までランダムな順番のリストAを用意し、その後リストAをソートします。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit
from random import randint, seed
seed(0)

def test():
    A = [randint(1, n) for _ in range(n)]
    A.sort()

n = 1000000  # 10^6
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

母艦のM1 MaxとParallels Desktop for MacのゲストOS（Ubuntu）はほぼ同等の速度です。

文字列結合

10. +による結合

0から10,000,000までの数字をforによりループさせ、都度、文字列aを結合します。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    ans = ''
    for i in range(n):
        ans += 'a'

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が35.8%高速という結果に。

11. joinによる結合

0から10,000,000までのリストA（文字列）を用意して、リストの各要素を区切り文字なしで結合します。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    A = [str(i) for i in range(n)]
    ans = ''.join(A)

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が20.4%高速という結果に。

モジュール

12. deque

0から10,000,000までのdequeオブジェクトを用意し、0から10,000,000までの数字をforによりループさせ、dequeオブジェクトの先頭の要素を取り出し(que.popleft())、その要素を末尾に追加します(que.append())。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit
from collections import deque

def test():
    que = deque(range(n))
    for i in range(n):
        que.append(que.popleft())

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が2.7%高速という結果に。ほぼ同じですね。

13. 優先度付きキュー

Python標準ライブラリのheapqを使い、リストqueに0から10,000,000までを優先度付きキューの要素に挿入します。その後、優先度付きキューから最小値を取り出します。この処理を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit
import heapq

def test():
    que = [0]
    for i in range(n):
        heapq.heappush(que, i)

    for i in range(n):
        heapq.heappop(que)

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が、母艦のM1 Maxより12.1%遅いという結果に。

14. 組み込み関数呼び出し

0から10,000,000までの数字をforによりループさせ、max関数により繰り返し変数iと0の2つの要素の内、最大値を持つ要素の値を取得します。この処理を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(n):
        max(0, i)

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が4.7%高速という結果に。ほぼ同じですね。

15. 再帰関数

40番目のフィボナッチ数列を再帰処理で求めます。3回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def fibonacci(n):
    if n == 0 or n == 1:
        return n
    else:
        return fibonacci(n - 2) + fibonacci(n - 1)

n = 40
loop = 3

result = timeit.timeit('fibonacci(n)', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

Parallels Desktop for MacのゲストOS（Ubuntu）が、母艦のM1 Maxより7.4%遅いという結果に。

まとめ

最後に

最後まで読んでいただきありがとうございます。今回のParallels上のUbuntu 22.10でPython 3.11.0のベンチマークをとってみるはいかがでしたでしょうか。母艦のM1 Maxより速い結果の項目もあり、そんなこともあるのか！という思いからまとめてみました。配列アクセス意外はゲストOSの方が速い！というのは意外でした。Parallels Desktop for Macはすごい！ということがわかりました。参考になれば幸いです。

kindle unlimited 読み放題

MacやLinux、Pythonなど技術系のkindle本も豊富にあります。詳しくはこちらから。

初めてkindle unlimited 読み放題をご利用の方は30日間の無料で体験できます。
期間終了後は月額980円で、いつでもキャンセルできます。
200万冊以上が読み放題。お好きな端末で利用可能です。

kindle unlimited 30日無料で体験

Pythonライブラリの教科書

• Kindle本で探す
• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

すぐに使える！業務で実践できる！Pythonによる AI・機械学習・深層学習アプリのつくり方 TensorFlow2対応

• Kindle本で探す
• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

Pythonで学ぶあたらしい統計学の教科書 第2版

• Kindle本で探す
• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

現場で使える！Python深層強化学習入門 強化学習と深層学習による探索と制御

翔泳社

• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

定番おすすめ記事

関連

【Python】Python 3.11.0のベンチマークをいろいろとやってみる

関連

【Python】macOS13.1でCore MLのStable Diffusionを試す（爆速なのか？！）

関連

【Python】M1/M2のCore MLに最適化されたStable Diffusionを試す

関連

【Python】M1/M2 MacでPython環境の構築（機械学習・データ分析編）

関連

【Python】M1/M2 MacでPython環境の構築（pyenvとvenvのインストールと設定、そして使い方）

関連

【Python】M1/M2 MacにAnacondaをインストールする（pyenv編）

関連

【Linux】Ubuntu 22.10(Kinetic Kudu)にpyenvをインストールし環境構築する