Python 有没有更快的方法添加两个二维numpy数组

假设我有两个尺寸相同的大型二维numpy数组（比如2000x2000）。我想按元素对它们求和。我想知道是否有比np.add（）更快的方法

编辑：我正在添加一个类似的示例，说明我现在使用的是什么。有没有办法加快速度

#a and b are the two matrices I already have.Dimension is 2000x2000
#shift is also a list that is previously known
for j in range(100000):
    b=np.roll(b, shift[j] , axis=0)
    a=np.add(a,b)

进近#1（矢量化） 我们可以使用

模

来模拟

滚动/循环移位

的循环行为，并使用广播索引覆盖所有行，我们将采用完全矢量化的方法，如下所示-

n = b.shape[0]
idx = n-1 - np.mod(shift.cumsum()[:,None]-1 - np.arange(n), n)
a += b[idx].sum(0)

进近#2（环形进近） 冒号符号与使用索引进行切片的比较

这里的想法是，一旦我们进入循环，就要做最少的工作。在进入循环之前，我们将预先计算每个迭代的起始行索引。因此，一旦进入循环，我们需要做的就是使用冒号表示法进行切片，这是数组中的一个视图，并将其相加。这应该比

rolling

好得多，后者需要计算所有这些行索引，从而生成昂贵的副本

这里将进一步介绍使用冒号和索引进行切片时的查看和复制概念-

In [11]: a = np.random.randint(0,9,(10))

In [12]: a
Out[12]: array([8, 0, 1, 7, 5, 0, 6, 1, 7, 0])

In [13]: a[3:8]
Out[13]: array([7, 5, 0, 6, 1])

In [14]: a[[3,4,5,6,7]]
Out[14]: array([7, 5, 0, 6, 1])

In [15]: np.may_share_memory(a, a[3:8])
Out[15]: True

In [16]: np.may_share_memory(a, a[[3,4,5,6,7]])
Out[16]: False

---

运行时测试 函数定义-

def original_loopy_app(a,b):
    for j in range(shift.size):
        b=np.roll(b, shift[j] , axis=0)
        a += b

def vectorized_app(a,b):
    n = b.shape[0]
    idx = n-1 - np.mod(shift.cumsum()[:,None]-1 - np.arange(n), n)
    a += b[idx].sum(0)

def modified_loopy_app(a,b):
    n = b.shape[0]
    b_ext = np.row_stack((b, b[:-1] ))
    start_idx = n-1 - np.mod(shift.cumsum()-1,n)
    for j in range(start_idx.size):
        a += b_ext[start_idx[j]:start_idx[j]+n]

案例1：

案例2：

---

因此，我们正在研究改进的循环方法在那里的加速效果

添加2000x2000阵列只需400万个元素，从硬件方面来说，添加非常简单。我认为优化此操作不会显著加快速度。您是否关心代码的性能？这是在临界循环的中间吗？它在一个循环中，加法大约每秒进行200次。仅此添加就消耗了总运行时间的50%以上。有什么建议吗？一种可能的加速方法是在计算数字时将其相加。您是否考虑过使用

线程

或

子流程

库？（这些可能不是名称）@AnirbanDutta，您可以通过减少阵列的副本来节省一些时间。例如，x+=y比z=x+y快。加法运算中没有太多优化，考虑到更多的程序上下文，我们可以提供替代方案（如线程），但问题是，我真的不认为有太多要说的。谢谢。它正在工作。我也喜欢这样处理整件事。我的方法太传统了。

def original_loopy_app(a,b):
    for j in range(shift.size):
        b=np.roll(b, shift[j] , axis=0)
        a += b

def vectorized_app(a,b):
    n = b.shape[0]
    idx = n-1 - np.mod(shift.cumsum()[:,None]-1 - np.arange(n), n)
    a += b[idx].sum(0)

def modified_loopy_app(a,b):
    n = b.shape[0]
    b_ext = np.row_stack((b, b[:-1] ))
    start_idx = n-1 - np.mod(shift.cumsum()-1,n)
    for j in range(start_idx.size):
        a += b_ext[start_idx[j]:start_idx[j]+n]

In [5]: # Setup input arrays
   ...: N = 200
   ...: M = 1000
   ...: a = np.random.randint(11,99,(N,N))
   ...: b = np.random.randint(11,99,(N,N))
   ...: shift = np.random.randint(0,N,M)
   ...: 

In [6]: original_loopy_app(a1,b1)
   ...: vectorized_app(a2,b2)
   ...: modified_loopy_app(a3,b3)
   ...: 

In [7]: np.allclose(a1, a2) # Verify results
Out[7]: True

In [8]: np.allclose(a1, a3) # Verify results
Out[8]: True

In [9]: %timeit original_loopy_app(a1,b1)
   ...: %timeit vectorized_app(a2,b2)
   ...: %timeit modified_loopy_app(a3,b3)
   ...: 
10 loops, best of 3: 107 ms per loop
10 loops, best of 3: 137 ms per loop
10 loops, best of 3: 48.2 ms per loop

In [13]: # Setup input arrays (datasets are exactly 1/10th of original sizes)
    ...: N = 200
    ...: M = 10000
    ...: a = np.random.randint(11,99,(N,N))
    ...: b = np.random.randint(11,99,(N,N))
    ...: shift = np.random.randint(0,N,M)
    ...: 

In [14]: %timeit original_loopy_app(a1,b1)
    ...: %timeit modified_loopy_app(a3,b3)
    ...: 
1 loops, best of 3: 1.11 s per loop
1 loops, best of 3: 481 ms per loop