Python 从Numpy数据数组中提取给定行和列的最快方法是什么？

我有一个大的（约14000 x 14000）方阵，表示为Numpy

ndarray

。我希望提取大量的行和列——我预先知道这些行和列的索引，尽管实际上并非所有的行和列都为零——以得到一个新的平方矩阵（大约10000 x 10000）

我发现最快的方法是：

> timeit A[np.ix_(indices, indices)]
1 loops, best of 3: 6.19 s per loop

但是，这比矩阵乘法所需的时间慢得多：

> timeit np.multiply(A, A)
1 loops, best of 3: 982 ms per loop

这似乎很奇怪，因为行/列提取和矩阵乘法都需要分配一个新数组（矩阵乘法的结果比提取的结果更大），但矩阵乘法还需要执行额外的计算

---

因此，问题是：是否有一种更有效的方法来执行提取，特别是至少与矩阵乘法一样快？

如果我尝试重现您的问题，我看不到如此剧烈的效果。我注意到，根据您选择的索引数量，索引甚至可以比乘法更快

>>> import numpy as np
>>> np.__version__
Out[1]: '1.9.0'
>>> N = 14000
>>> A = np.random.random(size=[N, N])

>>> indices = np.sort(np.random.choice(np.arange(N), 0.9*N, replace=False))
>>> timeit A[np.ix_(indices, indices)]
1 loops, best of 3: 1.02 s per loop
>>> timeit A.take(indices, axis=0).take(indices, axis=1)
1 loops, best of 3: 1.37 s per loop
>>> timeit np.multiply(A,A)
1 loops, best of 3: 748 ms per loop

>>> indices = np.sort(np.random.choice(np.arange(N), 0.7*N, replace=False))
>>> timeit A[np.ix_(indices, indices)]
1 loops, best of 3: 633 ms per loop
>>> timeit A.take(indices, axis=0).take(indices, axis=1)
1 loops, best of 3: 946 ms per loop
>>> timeit np.multiply(A,A)
1 loops, best of 3: 728 ms per loop

---

乘法（A，A）是元素乘法。使用

np.dot（A，A）

进行矩阵乘法。如果您提供了一个工作程序来处理随机数据，这会有所帮助。我曾经发现np.take（）比用[]索引要快，但我不确定这对您的情况是否重要。无论如何试试看：@JohnZwinck:是的，类似于

r=A.take（索引，轴=0）。take（索引，轴=1）

比使用

[]

（使用numpy 1.8.2）进行索引更快。你想让我调试你的

np.ix\ucode>调用吗，因为新的numpy一开始就抱怨一些可能很有趣的事情？使用不同的numpy 1.9 beta版，调用
np.ix_uu
效果很好，所以我假设我们使用的版本中只存在一个bug。虽然切换到NumPy 1.9有所帮助，但它并没有给我们带来我们真正想要的性能提升。我们最终用Fortran实现了这一部分，并调用了。