Python numpy.sum性能取决于轴

在numpy数组中对维度求和时，第一个轴和最后一个轴之间是否存在性能差异

具体来说，考虑以下代码，

sum1

和

sum2

中的哪一个执行得更快

import numpy as np
a = np.ones((1000,200))
b = np.ones((200,1000))
sum1 = np.sum(a, axis=0)
sum2 = np.sum(b, axis=-1)

---

我相信这个问题实际上归结为numpy如何在内部存储维度，并且可以覆盖它以使用行或列格式。但是，当使用默认设置时，以下哪项会更快？另外，关于N维数组呢？

很容易检查是否存在性能差异（IPython，我增加了一点数字以产生更明显的差异）：

---

现在，当您在

np.sum

中遇到实际性能问题时，您可能已经耗尽了内存，但确实存在差异。默认情况下，NumPy数组存储在中，因此首先是第一行，然后是第二行，以此类推。因此，在外部维度中求和（或操作）会更快，因为缓存会更有效。简单地说，在第一种情况下，当您获得数组的第一个元素时，一组连续的数据将与之一起到达缓存，因此当您要对下一个元素求和时，它们将已经存在。另一方面，在第二种情况下，要求和的元素彼此距离很远（实际上是2000个元素的距离），因此缓存在列方面不会有多大帮助。这并不是说缓存没有任何帮助，因为您要对所有列求和，所以缓存的数据仍然会在一定程度上被重用，但效率不高。这是一个相当粗略的近似值，通常有几个缓存级别，一些在内核之间共享，一些不共享，了解一个或另一个代码对它的确切影响是一个复杂的主题，但总体思路是正确的。

您确定您的运行时间吗？我得到了相反的结果，这似乎更符合逻辑，因为对于b，输出的每个值都是相邻内存单元的总和，因此缓存效率非常高。@Labo我刚刚在另一台计算机上再次运行了相同的代码片段（NumPy 1.14.0与MKL、Python 3.6.4 Anaconda、Win10、Core i7-6700HQ）我得到了与我发布的结果相似的结果，但是，尽管我不记得我发布这篇文章的那一刻，我认为我的推理可能确实是颠倒的。然而，我想知道NumPy到底是如何实现这个总和的。如果，对于第一种情况（

a

），我取第一整行，然后添加第二行，然后是第三行，以此类推，这实际上是缓存效率。如果我计算第一个最终元素，然后是第二个元素，等等，那么它就不是了。当对一行或一列求和->3µs vs 30µs时，可以清楚地看到这一点。请看最后一段。

import numpy as np

a = np.ones((10000, 2000))
b = np.ones((2000, 10000))
%timeit np.sum(a, axis=0)
# 27.6 ms ± 541 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit  np.sum(b, axis=-1)
# 34.6 ms ± 876 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)