Można znaleźć kilka przydatnych wyników na dole tego linku
http://wiki.scipy.org/PerformancePython
Od wprowadzenia,
Porównanie splocie z NumPy, Pyrex, psyco, Fortran (77 i 90) i C++ do rozwiązania równania Laplace'a.
Porównuje również MATLAB i wydaje się wykazywać podobne prędkości do używania Pythona i NumPy.
Oczywiście jest to tylko konkretny przykład, Twoja aplikacja może pozwolić na lepszą lub gorszą wydajność. Nie ma nic złego w przeprowadzaniu tego samego testu na obu i porównywaniu.
Można również skompilować NumPy ze zoptymalizowanymi bibliotekami, takimi jak ATLAS, co zapewnia pewne procedury BLAS/LAPACK. Powinny one być porównywalne do MATLAB.
Nie jestem pewien, czy pliki do pobrania NumPy są już wbudowane przeciwko niemu, ale myślę, że będzie ATLAS bibliotek dostroić się do systemu, jeśli skompilować NumPy,
http://www.scipy.org/Installing_SciPy/Windows
Link ma więcej szczegółów na temat tego, co jest wymagana w ramach platformy Windows.
EDIT:
Jeśli chcesz dowiedzieć się, co działa lepiej, C lub C++, może warto prosząc nowe pytanie. Chociaż z linku powyżej C++ ma najlepszą wydajność. Inne rozwiązania są również bardzo bliskie, tj. Pyrex, Python/Fortran (przy użyciu f2py) i wbudowany C++.
Jedyną algebrą macierzy pod C++, jaką kiedykolwiek zrobiłem, było użycie MTL i wdrożenie rozszerzonego filtru Kalmana. Sądzę jednak, że w zasadzie zależy to od bibliotek, z których korzystasz LAPACK/BLAS i od tego, jak dobrze jest zoptymalizowana.
Ten link zawiera listę obiektowych pakietów numerycznych dla wielu języków.
http://www.oonumerics.org/oon/
Trudno jest oszacować prędkość bez kodu. Jeśli masz jakiś działający kod Pythona, możesz opublikować go ponownie, aby uzyskać wskazówki dotyczące przyspieszenia. – extraneon
Matlab jest zwykle śmiesznie dobry w optymalizowaniu obliczeń macierzowych. –
@ Blue: poszczególne obliczenia powinny przebiegać dość szybko. Ale nie wiemy, jak dobrze Biot-Savart mapuje obliczenia Matlaba. Jeśli nie jest dobrze przystosowany do wektoryzacji, stanie się raczej powolny. –