python - 如何加速 Numpy 数组过滤/选择？

Question

我有大约 40k 行，我想测试这些行上的各种选择组合。通过选择，我的意思是 bool 掩码。 mask /滤光片数量在250MM左右。

当前的简化代码:

np_arr = np.random.randint(1, 40000, 40000)
results = np.empty(250000000)
filters = np.random.randint(1, size=(250000000, 40000))
for i in range(250000000):
    row_selection = np_arr[filters[i].astype(np.bool_)] # Select rows based on next filter
    # Performing simple calculations such as sum, prod, count on selected rows and saving to result
    results[i] = row_selection.sum() # Save simple calculation result to results array

我尝试了 Numba 和 Multiprocessing，但由于大部分处理是在过滤器选择而不是计算中进行的，所以这并没有太大帮助。

解决这个问题的最有效方法是什么？有什么办法可以并行化吗？据我所知，我需要遍历每个过滤器，然后分别计算总和、产品、计数等，因为我不能并行应用过滤器(即使应用过滤器后的计算非常简单)。

感谢有关性能改进/加速的任何建议。

Answer 1

要在 Numba 中获得良好的性能，只需避免屏蔽并因此避免非常昂贵的数组副本。您必须自己实现过滤器，但是您提到的过滤器应该没有任何问题。

并行化也很容易做到。

示例

import numpy as np
import numba as nb

max_num = 250000 #250000000
max_num2 = 4000#40000
np_arr = np.random.randint(1, max_num2, max_num2)
filters = np.random.randint(low=0,high=2, size=(max_num, max_num2)).astype(np.bool_)

#Implement your functions like this, avoid masking
#Sum Filter
@nb.njit(fastmath=True)
def sum_filter(filter,arr):
  sum=0.
  for i in range(filter.shape[0]):
    if filter[i]==True:
      sum+=arr[i]
  return sum

#Implement your functions like this, avoid masking
#Prod Filter
@nb.njit(fastmath=True)
def prod_filter(filter,arr):
  prod=1.
  for i in range(filter.shape[0]):
    if filter[i]==True:
      prod*=arr[i]
  return sum

@nb.njit(parallel=True)
def main_func(np_arr,filters):
  results = np.empty(filters.shape[0])
  for i in nb.prange(max_num):
    results[i]=sum_filter(filters[i],np_arr)
    #results[i]=prod_filter(filters[i],np_arr)
  return results