在使用 numpy 时,我经常发现这种区别很烦人 - 当我从矩阵中提取一个向量或一行,然后使用 np.array
执行操作时,通常会出现问题。
为了减少麻烦,为了简单起见,我有时只使用 np.matrix
(将所有 np.arrays 转换为 np.matrix
)。但是,我怀疑会有一些性能影响。任何人都可以评论这些可能是什么以及原因吗?
看起来如果它们都只是引擎盖下的数组,那么元素访问只是一个获取值的偏移量计算,所以如果不通读整个源代码我不确定可能有什么区别。
更具体地说,这对性能有什么影响:
v = np.matrix([1, 2, 3, 4])
# versus the below
w = np.array([1, 2, 3, 4])
谢谢
最佳答案
我添加了更多测试,当数组/矩阵较小时,array
似乎比 matrix
快得多,但对于较大的数据结构,差异会变小:
小 (4x4):
In [11]: a = [[1,2,3,4],[5,6,7,8]]
In [12]: aa = np.array(a)
In [13]: ma = np.matrix(a)
In [14]: %timeit aa.sum()
1000000 loops, best of 3: 1.77 us per loop
In [15]: %timeit ma.sum()
100000 loops, best of 3: 15.1 us per loop
In [16]: %timeit np.dot(aa, aa.T)
1000000 loops, best of 3: 1.72 us per loop
In [17]: %timeit ma * ma.T
100000 loops, best of 3: 7.46 us per loop
更大 (100x100):
In [19]: aa = np.arange(10000).reshape(100,100)
In [20]: ma = np.matrix(aa)
In [21]: %timeit aa.sum()
100000 loops, best of 3: 9.18 us per loop
In [22]: %timeit ma.sum()
10000 loops, best of 3: 22.9 us per loop
In [23]: %timeit np.dot(aa, aa.T)
1000 loops, best of 3: 1.26 ms per loop
In [24]: %timeit ma * ma.T
1000 loops, best of 3: 1.24 ms per loop
请注意,矩阵的乘法实际上稍快一些。
我相信我在这里得到的内容与@Jaime 对评论的解释是一致的。
关于python - numpy np.array 与 np.matrix(性能),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/16929211/