python - 为什么与 np.int16 的相同操作相比，dtype np.int64 的操作要慢得多？

Question

这就是我的意思 - a 是一个包含 1.000.000 个 np.int64 元素的向量，b 是一个包含 1.000 个元素的向量。 000 个 np.int16 元素:

In [19]: a = np.random.randint(100, size=(10**6), dtype="int64")

In [20]: b = np.random.randint(100, size=(10**6), dtype="int16")

不同操作的时间:

In [23]: %timeit a + 1
4.48 ms ± 253 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [24]: %timeit b + 1
1.37 ms ± 14.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [25]: %timeit a / 10
5.77 ms ± 31.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [26]: %timeit b / 10
6.09 ms ± 70.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [27]: %timeit a * 10
4.52 ms ± 198 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [28]: %timeit b * 10
1.52 ms ± 12.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

当 Numpy 必须在内存中创建一个新的临时结果时，我可以理解这种差异——底层 C 代码将不得不在内存中复制/填充更多数据。

但是我无法理解像下面这样就地赋值的这种差异:

In [21]: %timeit a[::2] = 111
409 µs ± 19 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [22]: %timeit b[::2] = 111
203 µs ± 112 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)

您知道为什么即使对于 Numpy 不必创建副本/ View 的那些操作，它的速度也这么慢吗？

Answer 1

从内存中读取是有代价的。写入内存需要一些费用。您正在读取四倍多的数据，并写入四倍多的数据，而且工作比读/写内存快得多，以至于它实际上是 I/O 绑定(bind)。 CPU 只是比内存快(并且速度比随着时间的推移变得越来越极端)；如果您正在进行内存密集型工作，较小的变量会运行得更快。