Python Numpy子矩阵（选定随机索引）计算性能

我试着用Numpy计算子矩阵

矩阵的形状是

A:（15000、100）

B:（15000，100）

B：（3000，100）

C:（100100）

第一个代码是

for ki in range(100):
    self.A[sample_index, k] += B_[:, k] - np.dot(self.A[sample_index, : ], C[:, k])

它只使用从样本索引切片的子矩阵

第二个代码是

for k in range(100):
    self.A[:, k] += B[:, k] - np.dot(self.A[:, : ], C[:, k])

使用所有矩阵

但第一个代码的计算时间比第二个代码慢

---

您知道加速的原因或解决方案吗？

您实际上是在复制输入矩阵。如果您只是读取输入，则不必复制它

import numpy as np
a = np.random.rand(10000).reshape(100, 100)
b = np.random.rand(10000).reshape(100, 100)
i = list(range(10))
a_sub0 = a[:10] # view
a_sub1 = a[i] # copying

# you can change the original matrix from the view
a_sub0[0, 0] = 100
(a[0, 0] == 100.0) and (a_sub1[0, 0] != 100.0) # True

---

试试

A[：3000，k]

；切片索引比数组索引（基本v高级索引）快。为什么要在

k

上查看？为什么不

A[：，：]+=B-np.dot（A，C）

？实际上，我想选择随机索引sample\u index=np.random.choice（np.arange（int（15000*0.2））、size=int（15000*0.2）、replace=False）和sample\u index=np.arange（int（15000*0.2））只用于测试，在任何情况下都有一个折衷。索引减少了计算的规模，但本身需要时间。另外，我认为

sample\u index=np.random.permutation（int（15000*.2））

将比第一步更快

import numpy as np
a = np.random.rand(10000).reshape(100, 100)
b = np.random.rand(10000).reshape(100, 100)
i = list(range(10))
a_sub0 = a[:10] # view
a_sub1 = a[i] # copying

# you can change the original matrix from the view
a_sub0[0, 0] = 100
(a[0, 0] == 100.0) and (a_sub1[0, 0] != 100.0) # True