python对象数组的Numpy矢量化

只是一个简短的问题，我在出发前找不到答案

当我这样做的时候：

v1 = float_list_python = ... # <some list of floats>
v2 = float_array_NumPy = ... # <some numpy.ndarray of floats>
                             # I guess they don't have to be floats - 
                             # but some object that also has a native 
                             # object in C, so that numpy can just use
                             # that

v1=float_list_python=…#
v2=浮点数组_NumPy=…#
#我想他们不必是花车-
#但是一些对象也有一个本机
#对象，这样numpy就可以使用
#那

如果我想用标量乘以这些向量，我的理解一直是python列表是一个对象引用列表，因此在列表中循环进行乘法必须获取所有浮点数的位置，然后必须获取浮点数才能进行乘法，这是它速度慢的原因之一

如果我在NumPy做同样的事情，那么，我不知道会发生什么。我认为会发生很多事情：

它将多晶硅沿磁芯分开

它将多通道（以及？）矢量化

我找到的文档表明，numpy中的许多原语尽可能地利用了第一个选项（我手头上没有计算机，目前无法测试）。我的直觉告诉我，第二种情况应该尽可能发生

所以我的问题是，如果我创建一个python对象的NumPy数组，它是否至少会并行执行列表上的操作？我知道如果创建一个具有本机C类型的对象数组，那么它实际上会在实际对象的内存中创建一个连续数组，如果您创建一个python对象的numpy数组，它将创建一个引用数组，但我不明白为什么这会排除上述列表上的并行操作，并且找不到任何明确说明这一点的地方

---

编辑：我觉得我的问题有点混乱。我理解矢量化是什么，我理解它是一种编译器优化，而不是您必须编程的东西（尽管对齐数据使其在内存中连续很重要）。基于矢量化，我只想知道numpy是否使用它。如果我执行类似于

np_array1*np_array2

的操作，底层库调用是否使用矢量化（假定

dtype

是兼容类型）

---

对于内核的拆分，我的意思是，如果我再次执行类似于

np_array1*np_array2

，但是这次

dtype=object

：它会在这些内核之间拆分工作吗？

numpy

速度很快，因为它在快速编译的

C

代码中执行这样的数值操作。相反，列表操作在解释的Python级别上运行（使用Python字节码等尽可能简化）

数值类型的

numpy

数组将这些数字存储在数据缓冲区中。至少在简单的情况下，这只是

C

code可以有效地一步通过的字节块。阵列还具有允许多维访问的形状和步幅信息

当您将数组乘以标量时，它实际上会调用一个名为“multiply\u array\u by\u scalar”的

C

函数，该函数在快速编译的代码中执行乘法。因此，这种

numpy

操作速度很快（与Python列表代码相比），与内核数量或其他多处理/线程增强无关

对象数组没有任何特殊的速度优势（与列表相比），至少目前没有

看看我对一个关于创建数组的问题的回答， 我必须使用迭代来初始化这些值

---

你做过时间实验吗？例如，构造一个数组，例如

（1000,2）

。使用

tolist（）

创建等效的列表列表。并制作一个类似的对象数组，每个对象都是一个（2，）数组或列表（需要做多少工作？）。现在，为每个子列表执行一些简单的操作，如

len（x）

。

@hpaulj为您的问题提供了一个很好的答案。总的来说，通过阅读你的问题，我意识到你并不真正理解“矢量化”在引擎盖下的作用。这篇文章是对矢量化及其如何实现更快计算的一个相当不错的解释-

---

关于第1点-跨多个核分布计算，Numpy的情况并不总是这样。但是，也有类似的库支持多线程、高效的Numpy数组计算，并支持几个基本的逻辑和算术运算符。当与Numpy结合使用时，Numexpr可用于对关键计算进行涡轮增压，因为它避免了在内存中复制用于矢量化例程的大型阵列（如Numpy的情况），并且可以使用系统上的所有内核来执行计算。

我了解矢量化是什么，而且它显然不能用于对象数组（我认为“它是否至少会并行执行列表上的操作”部分的问题中暗示了这一点）。至于回答问题（你的第二段），“情况并非总是如此”——你知道具体是什么时候吗？这取决于是否编译numpy/scipy以链接到实现并行化的库。例如，英特尔有MKL库，如果您使用的是与MKL库一起运行的numpy编译，则可以在numpy计算中实现加速。这是Anaconda的付费选项（如果您是学生，则免费）。因此，没有一个通用的、通用的答案。单个numpy操作是否支持多线程/并行化与您的系统体系结构、可用的库以及本地numpy安装要使用的库有关。此处可能有用的更多信息：更多信息：好的，这使