平时用零碎的时间看python的教程，难得有一块空闲时间，用来检验一下成果。
常见的使用编程语言计算π近似值的方法有蒙特卡罗法（由落在正方形内1/4扇形概率为πR2/4R2 = k/n推导 ）、定积分法和泰勒级数法等，本人现采用泰勒级数法计算，原理为：
反正切泰勒级数
别紧张，我们不会直接拿这个公式计算，因为当x=1时，arctanx = π/4，上面的级数就变成了这个样子：
arctan1
以及这个样子：
最终形态
变成这样就很直观了，下面就开始着手计算吧，先上JS代码：
function unfoldPiTaylor(num){
var sum = 0,flag = true;
for(var i = 0; i < num; i++){
sum += flag?(1/(2*i+1)):(-1/(2*i+1))
flag = !flag;
}
return sum * 4;
}
console.log("π的近似值：" + unfoldPiTaylor(10000000))
接着是Python(Python3)
#! /usr/bin/env python3
def TaylorPi(k):
sum,odd = 0,True
for i in range(1,k):
sum += 1/(2*i-1) if odd==True else -1/(2*i-1)
odd = not odd
return sum*4
print("Taylor unfold value is :%f"%TaylorPi(10000000)) #print与python2不同
结果：
image.png
如果参数足够大，结果就越精确
接下来进入正题，计算二者跑函数的时间：
function unfoldPiTaylor(num){
var sum = 0,flag = true;
for(var i = 0; i < num; i++){
sum += flag?(1/(2*i+1)):(-1/(2*i+1))
flag = !flag;
}
return sum * 4;
}
function caculateRunTime(){
var timSum = 0,start = 0,term = 0;
for(var j = 0; j < 100; j++){
start = new Date().getTime()
unfoldPiTaylor(10000000);
term = new Date().getTime() - start
timSum += term
console.log("one term done , duration:" + term/1000 + "ms");
}
return "total time:" + timSum + "ms. averange:" + timSum/100 + "ms"
}
console.log(caculateRunTime())
JS运行效率(ms)
#!/usr/bin/env python3
import time #时间模块
# Caculate PI with Taylor series
def TaylorPi(k):
sum,odd = 0,True
for i in range(1,k):
sum += 1/(2*i-1) if odd==True else -1/(2*i-1)
odd = not odd
return sum*4
def caculateRunTime():
before = time.time() #生成开始时间,单位为秒
timeSum = 0
for i in range(100):
start = time.time()
TaylorPi(10000000)
term = time.time() - start #每次循环耗时
print("one term done, duration:",term)
timeSum += term #累加
return "total:%lf,averange:%lf"%(timeSum,timeSum/100)
print(caculateRunTime())
Python运行效率(s)
这下对于两者的运行速度有了直观的认识了
日后回忆：
根据这样的结果就直接评判一个脚本语言的优劣是有失偏颇的，真正的性能瓶颈并不在调用api时产生（关键的影响性能的代码写在静态语言里），python和node近年应用面飞速扩展，也得益于各自社区环境的完善，根据业务需求与场景，选择适合的架构而非纯粹追求脚本运行速度才是一个developer更加关心的问题。
