Python';s sum vs.NumPy';s numpy.sum
使用Python的原生Python';s sum vs.NumPy';s numpy.sum,python,performance,numpy,python-3.x,Python,Performance,Numpy,Python 3.x,使用Python的原生sum函数和NumPy的NumPy.sum函数在性能和行为上有什么不同sum适用于NumPy的数组,NumPy.sum适用于Python列表,它们都返回相同的有效结果(没有测试溢出等边缘情况),但类型不同 >>> import numpy as np >>> np_a = np.array(range(5)) >>> np_a array([0, 1, 2, 3, 4]) >>> type(np_a)
sum
函数和NumPy的NumPy.sum
函数在性能和行为上有什么不同sum
适用于NumPy的数组,NumPy.sum
适用于Python列表,它们都返回相同的有效结果(没有测试溢出等边缘情况),但类型不同
>>> import numpy as np
>>> np_a = np.array(range(5))
>>> np_a
array([0, 1, 2, 3, 4])
>>> type(np_a)
<class 'numpy.ndarray')
>>> py_a = list(range(5))
>>> py_a
[0, 1, 2, 3, 4]
>>> type(py_a)
<class 'list'>
# The numerical answer (10) is the same for the following sums:
>>> type(np.sum(np_a))
<class 'numpy.int32'>
>>> type(sum(np_a))
<class 'numpy.int32'>
>>> type(np.sum(py_a))
<class 'numpy.int32'>
>>> type(sum(py_a))
<class 'int'>
>>将numpy作为np导入
>>>np_a=np.数组(范围(5))
>>>np_a
数组([0,1,2,3,4])
>>>类型(np_a)
>>py_a=列表(范围(5))
>>>皮尤
[0, 1, 2, 3, 4]
>>>类型(py_a)
#对于以下总和,数值答案(10)相同:
>>>类型(np.和(np_a))
>>>类型(总和(np_a))
>>>类型(np.总和(py_a))
>>>类型(总和(py_a))
Edit:我想我的实际问题是在Python整数列表上使用numpy.sum
会比使用Python自己的sum
快吗
此外,使用Python整数与使用标量numpy.int32
相比,有什么意义(包括性能)?例如,对于a+=1
,如果a
的类型是Python整数或numpy.int32
,是否存在行为或性能差异?我很好奇,对于Python代码中大量增加或减少的值,使用NumPy标量数据类型(如NumPy.int32
)是否更快
为了澄清,我正在进行一项生物信息学模拟,其中部分内容包括将多维numpy.ndarray
s压缩为单个标量和,然后进行额外处理。我正在使用Python 3.2和NumPy 1.6
提前谢谢 Numpy应该快得多,尤其是当您的数据已经是一个Numpy数组时 Numpy阵列是标准C阵列上的薄层。当numpysum迭代这个过程时,它不会进行类型检查,而且速度非常快。速度应与使用标准C进行操作相当 相比之下,使用python的sum必须首先将numpy数组转换为python数组,然后迭代该数组。它必须做一些类型检查,而且通常会比较慢
python sum比numpy sum慢的确切数量没有得到很好的定义,因为与用python编写自己的sum函数相比,python sum将是一个稍微优化的函数。我很好奇,并对它进行了计时<对于numpy数组,code>numpy.sum似乎要快得多,但在列表中要慢得多
import numpy as np
import timeit
x = range(1000)
# or
#x = np.random.standard_normal(1000)
def pure_sum():
return sum(x)
def numpy_sum():
return np.sum(x)
n = 10000
t1 = timeit.timeit(pure_sum, number = n)
print 'Pure Python Sum:', t1
t2 = timeit.timeit(numpy_sum, number = n)
print 'Numpy Sum:', t2
当x=范围(1000)
时的结果:
当x=np.random.standard\u normal(1000)
时的结果:
我使用的是Python 2.7.2和Numpy 1.6.1请注意,多维Numpy数组上的Python sum将仅沿第一个轴执行求和:
sum(np.array([[[2,3,4],[4,5,6]],[[7,8,9],[10,11,12]]]))
Out[47]:
array([[ 9, 11, 13],
[14, 16, 18]])
np.sum(np.array([[[2,3,4],[4,5,6]],[[7,8,9],[10,11,12]]]), axis=0)
Out[48]:
array([[ 9, 11, 13],
[14, 16, 18]])
np.sum(np.array([[[2,3,4],[4,5,6]],[[7,8,9],[10,11,12]]]))
Out[49]: 81
这是对的扩展。从这个答案可以看出
np.sum
对于np.array
对象执行得更快,而sum
对于list
对象执行得更快。进一步说:
对np.array
对象运行np.sum
时,与对列表
对象运行sum
时,它们的性能似乎不相上下
# I'm running IPython
In [1]: x = range(1000) # list object
In [2]: y = np.array(x) # np.array object
In [3]: %timeit sum(x)
100000 loops, best of 3: 14.1 µs per loop
In [4]: %timeit np.sum(y)
100000 loops, best of 3: 14.3 µs per loop
如上所述,sum
比np.array
快一点点,尽管有时我也看到np.sum
计时为14.1µs
。但主要是14.3µs
[…]我的[…]问题是在Python整数列表上使用numpy.sum
会比使用Python自己的sum
快吗
这个问题的答案是:不
Pythons求和在列表上会更快,而NumPys求和在数组上会更快。我实际上做了一个基准测试来显示计时(Python 3.6,NumPy 1.14):
左:在NumPy数组上;右:在Python列表中。
请注意,这是一个日志图,因为基准涵盖了非常广泛的值。然而,对于定性结果:越低意味着越好
这表明对于列表,pythonsum
总是更快,而np.sum
或数组上的sum
方法将更快(除了pythonsum
更快的非常短的数组)
以防万一,你有兴趣将它们相互比较,我还画了一个图,包括所有这些:
f, ax = plt.subplots(1)
b_array.plot(ax=ax)
b_list.plot(ax=ax)
ax.grid(which='both')
有趣的是,numpy
在数组上与Python和list的竞争点大约在200个元素左右!请注意,这个数字可能取决于很多因素,例如Python/NumPy版本。。。不要太直截了当
没有提到的是这种差异的原因(我指的是大规模差异,而不是短列表/数组的差异,在短列表/数组中,函数只是具有不同的常量开销)。假设Python列表中的CPython是指向Python对象(在本例中为Python整数)的指针的C(语言C)数组的包装器。这些整数可以看作是C整数的包装(实际上并不正确,因为Python整数可以任意大,所以它不能简单地使用oneC整数,但它已经足够接近了)
例如,像[1,2,3]
这样的列表(示意图上,我省略了一些细节)存储如下:
然而,NumPy数组是包含C值的C数组的包装器(在本例中,int
或long
取决于32位或64位,取决于操作系统)
所以像np.array([1,2,3])
这样的NumPy数组如下所示:
接下来要了解的是这些函数是如何工作的:
- Pythons
迭代iterable(在本例中为列表或数组)并添加所有元素sum
- NumPys
方法迭代存储的C数组并添加这些C值,最后将该值包装为Python类型(在本例中为sum
(或numpy.int32
)并返回它numpy.int64
- 纽皮斯<
# I'm running IPython In [1]: x = range(1000) # list object In [2]: y = np.array(x) # np.array object In [3]: %timeit sum(x) 100000 loops, best of 3: 14.1 µs per loop In [4]: %timeit np.sum(y) 100000 loops, best of 3: 14.3 µs per loop
import random import numpy as np import matplotlib.pyplot as plt from simple_benchmark import benchmark %matplotlib notebook def numpy_sum(it): return np.sum(it) def python_sum(it): return sum(it) def numpy_sum_method(arr): return arr.sum() b_array = benchmark( [numpy_sum, numpy_sum_method, python_sum], arguments={2**i: np.random.randint(0, 10, 2**i) for i in range(2, 21)}, argument_name='array size', function_aliases={numpy_sum: 'numpy.sum(<array>)', numpy_sum_method: '<array>.sum()', python_sum: "sum(<array>)"} ) b_list = benchmark( [numpy_sum, python_sum], arguments={2**i: [random.randint(0, 10) for _ in range(2**i)] for i in range(2, 21)}, argument_name='list size', function_aliases={numpy_sum: 'numpy.sum(<list>)', python_sum: "sum(<list>)"} )
f, (ax1, ax2) = plt.subplots(1, 2, sharey=True) b_array.plot(ax=ax1) b_list.plot(ax=ax2)
f, ax = plt.subplots(1) b_array.plot(ax=ax) b_list.plot(ax=ax) ax.grid(which='both')
from itertools import repeat python_integer = 1000 numpy_integer_32 = np.int32(1000) numpy_integer_64 = np.int64(1000) def repeatedly_add_one(val): for _ in repeat(None, 100000): _ = val + 1 %timeit repeatedly_add_one(python_integer) 3.7 ms ± 71.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) %timeit repeatedly_add_one(numpy_integer_32) 14.3 ms ± 162 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) %timeit repeatedly_add_one(numpy_integer_64) 18.5 ms ± 494 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) def repeatedly_sub_one(val): for _ in repeat(None, 100000): _ = val - 1 %timeit repeatedly_sub_one(python_integer) 3.75 ms ± 236 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) %timeit repeatedly_sub_one(numpy_integer_32) 15.7 ms ± 437 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) %timeit repeatedly_sub_one(numpy_integer_64) 19 ms ± 834 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
def repeatedly_add_one(val): one = type(val)(1) # create a 1 with the same type as the input for _ in repeat(None, 100000): _ = val + one %timeit repeatedly_add_one(python_integer) 3.88 ms ± 273 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) %timeit repeatedly_add_one(numpy_integer_32) 6.12 ms ± 324 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) %timeit repeatedly_add_one(numpy_integer_64) 6.49 ms ± 265 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
a = np.arange(6).reshape(2, 3) print(a) print(sum(a)) print(sum(sum(a))) print(np.sum(a)) >>> [[0 1 2] [3 4 5]] [3 5 7] 15 15