Python 与astype（int）相比，numpy环绕/打印速度较慢

所以如果我有类似于

x=np.random.rand（60000）*400-200的东西。iPython的
%timeit
说：


x.astype（int）
需要0.14毫秒
np.rint（x）
和
np.around（x）
需要1.01ms

请注意，在
rint
和
around
情况下，您仍然需要花费额外的0.14毫秒来完成最后的
astype（int）
（假设这是您最终想要的）

问题：我认为大多数现代硬件都能在相同的时间内完成这两项操作，对吗。如果是这样，为什么numpy的取整时间要长8倍

碰巧，我对算法的精确性并不过分挑剔，但我看不出如何利用numpy（我在做凌乱的生物学而不是粒子物理学）。
正如@jme在评论中指出的那样，
rint
和
around
函数必须确定是将分数向上舍入还是向下舍入到最接近的整数。相反，
astype
函数将始终向下取整，以便可以立即丢弃十进制信息。还有许多其他函数可以做同样的事情。此外，您还可以通过为整数使用较低的位数来提高速度。但是，您必须小心，以适应输入数据的全部范围

%%timeit
np.int8(x)
10000 loops, best of 3: 165 µs per loop

注意，这不会存储-128到127范围之外的值，因为它是8位的。示例中的某些值不在此范围内

在我尝试的所有其他方法中，
np.intc
似乎是最快的：

%%timeit
np.int16(x)
10000 loops, best of 3: 186 µs per loop

%%timeit
np.intc(x)
10000 loops, best of 3: 169 µs per loop

%%timeit
np.int0(x)
10000 loops, best of 3: 170 µs per loop

%%timeit
np.int_(x)
10000 loops, best of 3: 188 µs per loop

%%timeit
np.int32(x)
10000 loops, best of 3: 187 µs per loop

%%timeit
    np.trunc(x)
1000 loops, best of 3: 940 µs per loop

您的示例，在我的机器上：

%%timeit
np.around(x)
1000 loops, best of 3: 1.48 ms per loop

%%timeit
np.rint(x)
1000 loops, best of 3: 1.49 ms per loop

%%timeit
x.astype(int)
10000 loops, best of 3: 188 µs per loop

np.around（x）.astype（int）
和
x.astype（int）
不会产生相同的值。前几轮甚至（与
（（x*x>=0+0.5）+（x*x）相同）我承认我对CPU的算术能力不太熟悉：为什么它们能够在相同的时间内完成？aType只是切掉一些位，舍入操作需要检查切掉多少位（确定是否舍入到较低的整数或较高的整数）。好的，一件事是，从浮点转换为整数类型只需要丢弃小数部分，这相当于向零舍入，而
np.rint
舍入到最接近的整数（这是额外的工作）因此，
np.trunc
与
np.astype（int）更具可比性
。在我的speedtests中，
np.trunc
仍然比较慢，但看看，这可能是因为它是根据天花板和地板来实现的，而不是简单的强制转换。似乎有一些低级标志来控制舍入模式，请参见示例：。感谢提供详细信息。我刚刚尝试了将
x
设为单色并使用
>int32
代替了
int
…但运气不好。我还注意到
rint
有一个
out
参数，可以将其设置为空
int32
数组，但这对速度也没有帮助。（我不知道我的numpy是用哪个SSE版本编译的，但可能是SSE2或SSE3，因为这是一台足够好的机器，windows installer应该没有SSE、SSE2和SSE3二进制文件。）@dan man，是的，我试过np.float32和np.int32以及其他版本，但没有改进。但这真的是你的问题吗？“过早优化是万恶之源”。这是numpy开发人员应该担心的问题。我希望numpy开发人员会出现，告诉我一个快速破解或指向我一个已知的错误…如果是这样的话，那是值得的，因为我有一个花费1秒（总时间>50%）的函数在
rint
上，我需要调用该函数数百次。但是，是的，我可能应该承认有一定程度的过早优化。（虽然，当我发现这种差异时，我突然想到，可能有一整类这样的事情，其中numpy比它应该慢一个数量级……如果是这样，就值得了解它们。）“丹曼，在这种情况下，你可能想在C.上发布你的函数，看看你得到了什么答案。我通常在我们的工作中，我们中的一些人也使用PyopCopl。你可能想考虑一下。我以前使用过这个，但是我现在可以用C上的OpenMP和SIMD得到足够好的结果。
y = np.trunc(x).astype(int)
z = x.astype(int)

In [165]: x.dtype
Out[165]: dtype('float64')
In [168]: y.dtype
Out[168]: dtype('int64')

_mm_round_pd(a, 0); //round: round even
_mm_round_pd(a, 1); //floor: round towards minus infinity
_mm_round_pd(a, 2); //ceil:  round towards positive infinity
_mm_round_pd(a, 3); //trunc: round towards zero

_mm_cvtpd_epi32(a);  //round double to int32 then expand to int64
_mm_cvttpd_epi32(a); //trunc double to int32 then expand to int64

_mm_cvtps_epi32(a); //round single to int32
_mm_cvttps_epi32(a) //trunc single to int32