Python 将图像堆叠为numpy阵列是否比预分配更快？

我经常需要堆叠2d numpy阵列（tiff图像）。为此，我首先将它们附加到一个列表中，并使用np.dstack。这似乎是获得3D阵列堆叠图像的最快方法。但是，有没有更快/内存效率更高的方法

from time import time
import numpy as np

# Create 100 images of the same dimention 256x512 (8-bit). 
# In reality, each image comes from a different file
img = np.random.randint(0,255,(256, 512, 100))

t0 = time()
temp = []
for n in range(100):
    temp.append(img[:,:,n])
stacked = np.dstack(temp)
#stacked = np.array(temp)  # much slower 3.5 s for 100

print time()-t0  # 0.58 s for 100 frames
print stacked.shape

# dstack in each loop is slower
t0 = time()
temp = img[:,:,0]
for n in range(1, 100):
    temp = np.dstack((temp, img[:,:,n]))
print time()-t0  # 3.13 s for 100 frames
print temp.shape

# counter-intuitive but preallocation is slightly slower
stacked = np.empty((256, 512, 100))
t0 = time()
for n in range(100):
    stacked[:,:,n] = img[:,:,n]
print time()-t0  # 0.651 s for 100 frames
print stacked.shape

# (Edit) As in the accepted answer, re-arranging axis to mainly use 
# the first axis to access data improved the speed significantly.
img = np.random.randint(0,255,(100, 256, 512))

stacked = np.empty((100, 256, 512))
t0 = time()
for n in range(100):
    stacked[n,:,:] = img[n,:,:]
print time()-t0  # 0.08 s for 100 frames
print stacked.shape

---

在与otterb共同努力后，我们得出结论，阵列的预分配是可行的。显然，性能瓶颈是阵列布局，图像编号（n）是变化最快的索引。如果我们将n作为数组的第一个索引（默认为“C”顺序：第一个索引变化最慢，最后一个索引变化最快），我们将获得最佳性能：

from time import time
import numpy as np

# Create 100 images of the same dimention 256x512 (8-bit). 
# In reality, each image comes from a different file
img = np.random.randint(0,255,(100, 256, 512))

# counter-intuitive but preallocation is slightly slower
stacked = np.empty((100, 256, 512))
t0 = time()
for n in range(100):
    stacked[n] = img[n]
print time()-t0  
print stacked.shape

---

通过保证

temp

中的所有数组都满足此条件，可以避免调用

dstack

。如果满足此条件，只需调用

stacked=np.concatenate（temp，axis=2）

，这可能会节省python开销中的少量时间。如果显示更多代码，可能有更好的方法，但如图所示，最上面的代码几乎是最佳的。temp中的数组都是二维的，我想连接起来得到一个三维数组。因此，np.concatenate（temp，axis=2）将产生一个错误：axis 2超出界限[0，2]。np.concatenate（temp，axis=1）将创建一个2D数组（256x51200）。我遗漏了我的评论的一个关键部分，它应该是这样写的：“…如果满足此条件，

temp

中的所有数组都是3D的…”。应该注意的是，除了非常大的临时大小外，这种节省是微不足道的，可能每个阵列约为2 US。谢谢！我还认为预分配应该是最快的，但不知怎的，它稍微慢了一些。我更新了我的问题，将预分配包括在内。知道为什么吗？嗨，这确实非常有趣，我敢打赌它是fas比如说，当你把时间索引作为第一个索引时，你能试试看它是否有什么不同吗（这个想法是你写的块可以更容易地访问）。猜测一下为什么它可能会慢一些，因为数组的索引有一些开销，例如允许负数。有了cython，你可以去掉这些…你的意思是堆叠的[n，：，：]而不是堆叠[：，：，n]好主意。当我有机会使用我用来评测的那台电脑时，我会试试。是的！我按照你的建议重新排列了轴。现在速度明显快了。我已经接受了你的答案，但是，你可以修改你的答案来澄清第一个轴吗？嗨，奥特布，谢谢你的努力。真的很高兴它能工作。我必须说我也学到了一些从这件事。我把答案的形式，应该是有益于其他人，以及反映你的贡献。你愿意提供你得到的性能，以便我们可以把它也放在那里？