Python 快速numpy花式索引

我的切片numpy数组（通过奇特的索引）的代码非常慢。这是目前该计划的一个瓶颈

a.shape
(3218, 6)

ts = time.time(); a[rows][:, cols]; te = time.time(); print('%.8f' % (te-ts));
0.00200009

---

要获得由矩阵a的行“rows”和列“col”的子集组成的数组，正确的numpy调用是什么？（事实上，我需要这个结果的转置）

如果您使用奇特的索引和广播进行切片，您可以获得一些速度：

from __future__ import division
import numpy as np

def slice_1(a, rs, cs) :
    return a[rs][:, cs]

def slice_2(a, rs, cs) :
    return a[rs[:, None], cs]

>>> rows, cols = 3218, 6
>>> rs = np.unique(np.random.randint(0, rows, size=(rows//2,)))
>>> cs = np.unique(np.random.randint(0, cols, size=(cols//2,)))
>>> a = np.random.rand(rows, cols)
>>> import timeit
>>> print timeit.timeit('slice_1(a, rs, cs)',
                        'from __main__ import slice_1, a, rs, cs',
                        number=1000)
0.24083110865
>>> print timeit.timeit('slice_2(a, rs, cs)',
                        'from __main__ import slice_2, a, rs, cs',
                        number=1000)
0.206566124519

---

如果你从百分比的角度考虑，做15%的事情总是好的，但是在我的系统中，就你的阵列的大小而言，这需要减少40个us来进行切片，很难相信需要240个us的操作会成为你的瓶颈。

让我惊讶的是，这种冗长的表达，它计算第一个线性1D索引，比问题中的连续数组索引快50%：

(a.ravel()[(
   cols + (rows * a.shape[1]).reshape((-1,1))
   ).ravel()]).reshape(rows.size, cols.size)

更新：OP更新了初始数组形状的描述。使用更新的大小，加速比现在高于99%：

In [93]: a = np.random.randn(3218, 1415)

In [94]: rows = np.random.randint(a.shape[0], size=2000)

In [95]: cols = np.random.randint(a.shape[1], size=6)

In [96]: timeit a[rows][:, cols]
10 loops, best of 3: 186 ms per loop

In [97]: timeit (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
1000 loops, best of 3: 1.56 ms per loop

初始答案： 以下是发言稿：

In [79]: a = np.random.randn(3218, 6)
In [80]: a.shape
Out[80]: (3218, 6)

In [81]: rows = np.random.randint(a.shape[0], size=2000)
In [82]: cols = np.array([1,3,4,5])

时间方法1：

In [83]: timeit a[rows][:, cols]
1000 loops, best of 3: 1.26 ms per loop

时间方法2：

In [84]: timeit (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
1000 loops, best of 3: 568 us per loop

检查结果是否实际相同：

In [85]: result1 = a[rows][:, cols]
In [86]: result2 = (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)

In [87]: np.sum(result1 - result2)
Out[87]: 0.0

---

让我试着总结一下Jaime和TheodrosZelleke的优秀答案，并加入一些评论

始终返回副本，而不是视图

a[rows][：，cols]

意味着两种奇特的索引操作，因此创建并丢弃中间副本

a[rows]

。方便易读，但效率不高。此外，请注意，

[：，cols]

通常从C-cont.源代码生成Fortran连续副本

a[rows.reformate（-1,1），cols]

是一个单独的高级索引表达式，它基于

rows.reformate（-1,1）

和

cols

符合预期结果的形状这一事实

一个常见的经验是，在扁平数组中建立索引可能比奇特的索引更有效，因此另一种方法是

indx = rows.reshape(-1,1)*a.shape[1] + cols
a.take(indx)

或

效率将取决于内存访问模式以及起始数组是C-连续还是Fortran连续，因此需要进行实验

只有在真正需要时才使用奇特的索引：

a[rstart:rstop:rstep，cstart:cstop:cstep]

返回一个视图（虽然不是连续的），并且应该更快

---

使用

np.ix

可以获得与拉威尔/重塑相似的速度，但代码更清晰：

a = np.random.randn(3218, 1415)
rows = np.random.randint(a.shape[0], size=2000)
cols = np.random.randint(a.shape[1], size=6)
a = np.random.randn(3218, 1415)
rows = np.random.randint(a.shape[0], size=2000)
cols = np.random.randint(a.shape[1], size=6)

%timeit (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
#101 µs ± 2.36 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)


%timeit ix_ = np.ix_(rows, cols); a[ix_]
#135 µs ± 7.47 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

ix_ = np.ix_(rows, cols)
result1 = a[ix_]
result2 = (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
​
np.sum(result1 - result2)
0.0

---

time.time

不是衡量时间的好方法。一般来说，最好使用

timeit

。1。你的程序到底在做什么？2.使用合适的python分析器。我发现切片不太可能是你的瓶颈——如果你使用

@mgilson

风格，它会向用户发送通知（每条评论一条）。@mgilson：我记得在某些情况下（4年前）有问题，可能不再适用。手册中说，对于索引数组的所有情况，返回的都是原始数据的副本，而不是切片时得到的视图。@Wolph这一点仍然适用：高级索引总是返回数据的副本（与返回视图的基本切片相比），结果是我有一个3218x1415数组，而不是3218x6。我只提取了几列和很多行。上面的代码显示切片1调用时间为0.08秒，切片2调用时间为0.0004秒。也许这就是我需要的！对于OP.Nice的新要求，它的速度大约是我提供的标准答案的两倍！这并不是说这些技巧不能加快速度（至少在特定情况下是如此），但所有这些都在很大程度上依赖于输入数组是C-连续的这一事实。毫不奇怪：请看一个相关的问题。

a = np.random.randn(3218, 1415)
rows = np.random.randint(a.shape[0], size=2000)
cols = np.random.randint(a.shape[1], size=6)
a = np.random.randn(3218, 1415)
rows = np.random.randint(a.shape[0], size=2000)
cols = np.random.randint(a.shape[1], size=6)

%timeit (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
#101 µs ± 2.36 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)


%timeit ix_ = np.ix_(rows, cols); a[ix_]
#135 µs ± 7.47 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

ix_ = np.ix_(rows, cols)
result1 = a[ix_]
result2 = (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
​
np.sum(result1 - result2)
0.0