Python scipy和numpy标准之间的性能差异

我一直假设

scipy.linalg.norm（）

和

numpy.linalg.norm（）

是等效的（scipy版本过去不接受axis参数，但现在它接受）。然而，以下简单的例子产生了显著不同的性能：这背后的原因是什么

In [1]: from scipy.linalg import norm as normsp
In [2]: from numpy.linalg import norm as normnp 
In [3]: import numpy as np
In [4]: a = np.random.random(size=(1000, 2000))

In [5]: %timeit normsp(a)
The slowest run took 5.69 times longer than the fastest. This could mean that an intermediate result is being cached.
100 loops, best of 3: 2.85 ms per loop

In [6]: %timeit normnp(a)
The slowest run took 6.39 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 558 µs per loop

scipy版本为0.18.1，numpy版本为1.11.1

查看后发现，

scipy

有自己的

norm

函数，它围绕着

numpy.linalg.norm

或一个速度较慢但处理浮点溢出更好的BLAS函数（参见对此的讨论）

然而，在您给出的示例中，SciPy似乎并没有使用BLAS函数，因此我认为这与您看到的时差无关。但是scipy在调用norm的numpy版本之前做了一些其他检查。特别是，无限检查

a=np.asarray\u chkfinite（a）

可能导致性能差异：

In [103]: %timeit normsp(a)
100 loops, best of 3: 5.1 ms per loop

In [104]: %timeit normnp(a)
1000 loops, best of 3: 744 µs per loop

In [105]: %timeit np.asarray_chkfinite(a)
100 loops, best of 3: 4.13 ms per loop

所以它看起来像是

np。asarray\u chkfinite

大致解释了评估标准所用时间的差异