Python Numpy项目比运算符[]快
我用python编写了以下代码,至少对我来说会产生奇怪的结果:Python Numpy项目比运算符[]快,python,performance,numpy,Python,Performance,Numpy,我用python编写了以下代码,至少对我来说会产生奇怪的结果: import numpy as np import timeit a = np.random.rand(3,2) print timeit.timeit('a[2,1] + 1', 'from __main__ import a', number=1000000) print timeit.timeit('a.item((2,1)) + 1', 'from __main__ import a', number=1000000)
import numpy as np
import timeit
a = np.random.rand(3,2)
print timeit.timeit('a[2,1] + 1', 'from __main__ import a', number=1000000)
print timeit.timeit('a.item((2,1)) + 1', 'from __main__ import a', number=1000000)
结果如下:
0.533630132675
0.103801012039
如果我只尝试访问numpy元素似乎没问题,但是当增加这个元素时,计时变得奇怪。。。为什么在计时上会有如此大的差异?在这种情况下,它们返回的结果并不完全相同
a[2,1]
返回一个numpy.float64
,而a.item((2,1))
返回一个本机python浮点
原生vsnumpy
标量(float
,int
等)
一个numpy.float64
标量与本机pythonfloat
并不完全相同(但是它们的行为是相同的)。使用本机python float对单个元素执行简单操作会更快,因为间接寻址更少。请看一下,了解更多细节
作为速度差异的一个例子,考虑如下:
In [1]: x = 1.2
In [2]: y = np.float64(1.2)
In [3]: %timeit x + 1
10000000 loops, best of 3: 58.9 ns per loop
In [4]: %timeit y + 1
1000000 loops, best of 3: 241 ns per loop
起初,我错误地指出第二个因素是
a.item(…)
比a[…]
稍快。事实并非如此。a.item
将numpy标量转换为本机python标量所需的时间超过了a[…]
/a.。\uuu getitem\uuuuuu(…)
中附加逻辑所需的时间
不要将此结果推广到多个项目 但是,在尝试将numpy标量的情况概括为numpy数组作为一个整体的运行方式时,应该小心。如果您在numpy中进行大量的单项目索引,那么它通常是一种反模式 例如,比较:
In [5]: a = np.random.rand(1000)
In [6]: %timeit a + 1
100000 loops, best of 3: 2.32 us per loop
无论我们做什么,我们都无法与上述矢量化版本(a+1
)的速度(或更低的内存使用率)相匹配:
其中一部分原因是,遍历ndarray
s要比遍历列表慢。为了进行完全公平的比较,让我们将所有内容转换为本机python浮动列表:
In [9]: b = a.tolist()
In [10]: type(b[0])
Out[10]: float
In [11]: %timeit [x + 1 for x in b]
10000 loops, best of 3: 69.4 us per loop
显然,在较大的阵列上操作时,使用矢量化操作(第一种情况)要快得多。它的内存效率也要高得多,因为
list
s需要存储指向每个项的指针,而ndarray
s在内存中是连续的。是[2,1]项((2,1))的快捷方式吗?另外,您是否多次尝试代码?
In [9]: b = a.tolist()
In [10]: type(b[0])
Out[10]: float
In [11]: %timeit [x + 1 for x in b]
10000 loops, best of 3: 69.4 us per loop