据我所知,numpy 数组可以比 python 列表更快地处理操作,因为它们是以并行方式而不是迭代方式处理的。我试图对此进行测试以获得乐趣,但我没有看到太大的不同。
我的测试有问题吗?区别只对比我使用的数组大得多的数组有影响吗?我确保在每个函数中创建一个 python 列表和 numpy 数组,以消除创建一个与另一个可能产生的差异,但时间增量似乎可以忽略不计。这是我的代码:
我的最终输出是 numpy 函数:6.534756324786595s,列表函数:6.559365831783256s
import timeit
import numpy as np
a_setup = 'import timeit; import numpy as np'
std_fx = '''
def operate_on_std_array():
std_arr = list(range(0,1000000))
np_arr = np.asarray(std_arr)
for index,elem in enumerate(std_arr):
std_arr[index] = (elem**20)*63134
return std_arr
'''
parallel_fx = '''
def operate_on_np_arr():
std_arr = list(range(0,1000000))
np_arr = np.asarray(std_arr)
np_arr = (np_arr**20)*63134
return np_arr
'''
def operate_on_std_array():
std_arr = list(range(0,1000000))
np_arr = np.asarray(std_arr)
for index,elem in enumerate(std_arr):
std_arr[index] = (elem**20)*63134
return std_arr
def operate_on_np_arr():
std_arr = list(range(0,1000000))
np_arr = np.asarray(std_arr)
np_arr = (np_arr**20)*63134
return np_arr
print('std',timeit.timeit(setup = a_setup, stmt = std_fx, number = 80000000))
print('par',timeit.timeit(setup = a_setup, stmt = parallel_fx, number = 80000000))
#operate_on_np_arr()
#operate_on_std_array()
最佳答案
The timeit docs here显示您传入的语句应该执行某些操作,但您传入的语句只是定义函数。我当时认为在 100 万长度的数组上进行 80000000 次试验应该花费更长的时间。
您在测试中遇到的其他问题:
np_arr = (np_arr**20)*63134
可能会创建 np_arr 的副本,但您的 Python 等效列表只会改变现有数组。- Numpy 数学不同于 Python 数学。 Python 中的
100**20
返回一个巨大的数字,因为 Python 有无限长度的整数,但 Numpy 使用 C 风格的定长整数会溢出。 (通常,当您使用 Numpy 时,您必须想象在 C 中执行该操作,因为其他不直观的事情可能适用,例如未初始化数组中的垃圾。)
这是一个测试,我对两者都进行了修改,每次乘以然后除以 31,这样值就不会随时间变化或溢出:
import numpy as np
import timeit
std_arr = list(range(0,100000))
np_arr = np.array(std_arr)
np_arr_vec = np.vectorize(lambda n: (n * 31) / 31)
def operate_on_std_array():
for index,elem in enumerate(std_arr):
std_arr[index] = elem * 31
std_arr[index] = elem / 31
return std_arr
def operate_on_np_arr():
np_arr_vec(np_arr)
return np_arr
import time
def test_time(f):
count = 100
start = time.time()
for i in range(count):
f()
dur = time.time() - start
return dur
print(test_time(operate_on_std_array))
print(test_time(operate_on_np_arr))
结果:
3.0798873901367188 # standard array time
2.221336841583252 # np array time
编辑:正如@user2357112 所指出的,正确的 Numpy 方法是这样的:
def operate_on_np_arr():
global np_arr
np_arr *= 31
np_arr //= 31 # integer division, not double
return np_arr
让它变得更快。我看到 0.1248
秒。
关于python - 为什么 numpy 数组看起来并不比标准 python 列表快多少?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49758589/