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：

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vs

numpy

标量（

float

，

int

等） 一个

numpy.float64

标量与本机python

float

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