Python:优化循环

Question

我想优化一些由两个嵌套循环组成的 python 代码。我对 numpy 不太熟悉，但我知道它应该能让我提高这样一个任务的效率。下面是我编写的测试代码，它反射(reflect)了实际代码中发生的情况。目前使用 numpy 范围和迭代器比通常的 python 慢。我究竟做错了什么？这个问题的最佳解决方案是什么？

感谢您的帮助!

import numpy
import time

# setup a problem analagous to that in the real code
npoints_per_plane = 1000
nplanes = 64
naxis = 1000
npoints3d = naxis + npoints_per_plane * nplanes
npoints = naxis + npoints_per_plane
specres = 1000

# this is where the data is being mapped to
sol = dict()
sol["ems"] = numpy.zeros(npoints3d)
sol["abs"] = numpy.zeros(npoints3d)

# this would normally be non-random input data
data = dict()
data["ems"] = numpy.zeros((npoints,specres))
data["abs"] = numpy.zeros((npoints,specres))
for ip in range(npoints):
    data["ems"][ip,:] = numpy.random.random(specres)[:]
    data["abs"][ip,:] = numpy.random.random(specres)[:]
ems_mod = numpy.random.random(1)[0]
abs_mod = numpy.random.random(1)[0]
ispec = numpy.random.randint(specres)

# this the code I want to optimize

t0 = time.time()

# usual python range and iterator
for ip in range(npoints_per_plane):
    jp = naxis + ip
    for ipl in range(nplanes):
        ip3d = jp + npoints_per_plane * ipl
        sol["ems"][ip3d] = data["ems"][jp,ispec] * ems_mod
        sol["abs"][ip3d] = data["abs"][jp,ispec] * abs_mod

t1 = time.time()

# numpy ranges and iterator
ip_vals = numpy.arange(npoints_per_plane)
ipl_vals = numpy.arange(nplanes)
for ip in numpy.nditer(ip_vals):
    jp = naxis + ip
    for ipl in numpy.nditer(ipl_vals):
        ip3d = jp + npoints_per_plane * ipl
        sol["ems"][ip3d] = data["ems"][jp,ispec] * ems_mod
        sol["abs"][ip3d] = data["abs"][jp,ispec] * abs_mod


t2 = time.time()

print "plain python: %0.3f seconds" % ( t1 - t0 )
print "numpy: %0.3f seconds" % ( t2 - t1 )

编辑:将“jp = naxis + ip”放在第一个 for 循环中

补充说明:

我想出如何让 numpy 快速执行内循环，而不是外循环:

# numpy vectorization
for ip in xrange(npoints_per_plane):
    jp = naxis + ip
    sol["ems"][jp:jp+npoints_per_plane*nplanes:npoints_per_plane] = data["ems"][jp,ispec] * ems_mod
    sol["abs"][jp:jp+npoints_per_plane*nplanes:npoints_per_plane] = data["abs"][jp,ispec] * abs_mod

Joe 的以下解决方案展示了如何同时执行这两项操作，谢谢!

Answer 1

在 numpy 中编写循环的最佳方式是不编写循环，而是使用向量化操作。例如:

c = 0
for i in range(len(a)):
    c += a[i] + b[i]

成为

c = np.sum(a + b, axis=0)

对于形状为 (100000, 100) 的 a 和 b，第一个变量需要 0.344 秒，第二个变量需要 0.062 秒第二个。

在您的问题中出现的情况下，您可以执行以下操作:

sol['ems'][naxis:] = numpy.ravel(
    numpy.repeat(
        data['ems'][naxis:,ispec,numpy.newaxis] * ems_mod,
        nplanes,
        axis=1
    ),
    order='F'
)

这可以通过 some tricks 进一步优化，但这会降低清晰度并且可能是过早的优化，因为:

plain python: 0.064 seconds

numpy: 0.002 seconds

解决方案的工作原理如下:

您的原始版本包含 jp = naxis + ip 仅跳过第一个 naxis 元素 [naxis:] 选择除第一个 naxis 之外的所有元素元素。您的内部循环将 data[jp,ispec] 的值重复 nplanes 次并将其写入多个位置 ip3d = jp + npoints_per_plane * ipl这相当于一个扁平化的二维数组偏移了 naxis。因此，第二个维度通过 numpy.newaxis 添加到(以前的 1D)data['ems'][naxis:, ispec]，值重复 通过 numpy.repeat 沿着这个新维度 nplanes 次。然后通过 numpy.ravel 再次展平生成的二维数组(按 Fortran 顺序，即最低轴具有最小步幅)并写入 sol['ems' 的适当子数组]。如果目标数组实际上是二维的，则可以使用自动数组广播跳过重复。

如果遇到无法避免使用循环的情况，可以使用 Cython (在 numpy 数组上支持 efficient buffer views)。