Python Numpy-Numpy轴性能

默认情况下，numpy是行主视图。 因此，我自然接受以下结果

a = np.random.rand(5000, 5000)

%timeit a[0,:].sum()
3.57 µs ± 13.9 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%timeit a[:,0].sum()
38.8 µs ± 8.19 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

因为它是一个行主顺序，所以计算速度自然会加快[0，：]。 但是，如果使用numpy sum函数，结果是不同的

%timeit a.sum(axis=0)
16.9 ms ± 13.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit a.sum(axis=1)
29.5 ms ± 90.3 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

如果使用numpy sum函数，则沿列计算会更快

所以我的观点是为什么沿轴=0（沿列计算）的速度比沿轴=1（沿行计算）的速度快

比如说

a = np.array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]], order='C')

在行主顺序中，[1,2,3]和[4,5,6]，[7,8,9]分别分配给相邻内存

因此，沿轴=1计算的速度应快于轴=0。 但是，使用numpy sum函数时，沿列（轴=0）计算速度更快

你怎么解释呢

---

谢谢

你不会计算同样的东西

前两个命令仅计算整个数组中的一行/列

a[0, :].sum().shape   # sums just the first row only
()

第二个命令沿某个轴对二维数组的全部内容求和。这样，您就不会得到一个结果（如前两个命令），而是得到一个一维和数组

a.sum(axis=0).shape   # computes the row-wise sum for each column
(5000,)

总之，这两组命令的作用不同

---

---

a[0，：]

仅对第一行求和

a.sum（axis=0）

沿行对整个内容求和。但是，如果使用numpy内置函数，结果是不同的。“实际上，您总是使用”

numpy

内置函数”@COLDSPEED完全正确：您正在计算不同的东西。a.sum（axis=0）是根据列计算的结果。沿行计算的“print（a[0，：].sum（）、a[1，：].sum（）、a[2，：].sum（））”的结果是[3 12 21]，而a.sum（axis=0）的结果是[9,12,15]@신대규 是的，如果您想要相同的输出，请使用轴=1，而不是轴0。另外，一个比另一个慢的原因是缓存未命中和缺少引用的局部性。@cᴏʟᴅsᴘᴇᴇᴅ 谢谢你的回复。我很困惑。我还在Linux系统上测试了它。a=np.rand.rand（50005000）%timeit a.sum（axis=0）100个循环，每个循环3:17毫秒的最佳值%timeit a.sum（axis=1）100个循环，每个循环3:15.5毫秒的最佳值这不是很大的区别，但它是有意义的。但是在窗口系统上timeit a.sum（轴=0）17 ms±122µs/回路（7次运行的平均值±标准偏差，每个100回路）%timeit a.sum（轴=1）29.7 ms±153µs/回路（7次运行的平均值±标准偏差，每个10回路）。它似乎受到操作系统或numpy版本的影响——同样值得注意的是——如果你做了

c=np.random.randn（50005000）

和

f=np.asfortranarray（c）

，你会看到0轴和1轴上的和有不可忽略的倒计时差。

a
array([[1, 6, 9, 1, 6],
       [5, 6, 9, 1, 3],
       [5, 0, 3, 5, 7],
       [2, 8, 3, 8, 6],
       [3, 4, 8, 5, 0]])

a[0, :]
array([1, 6, 9, 1, 6])

a[0, :].sum()
23

a.sum(axis=0)
array([16, 24, 32, 20, 22])