[英]Why is subtraction faster when doing arithmetic with a Numpy array and a int compared to using vectorization with two Numpy arrays?
[英]Numpy ordered subtraction of elements with full vectorization
想象一个mxn
阵列a
,和一个1xn
阵列b
,我们要减去b
从a
使得b
是从所述第一元件中减去a
,则最大的零和ba[0]
是从减去a[1]
等等上...
所以:
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
a = np.repeat(x, 100000).reshape(10, 100000)
b = np.repeat(np.array([5]), 100000).reshape(1, 100000)
因此,我们想得到: [ 0, 0, 1, 4, 5, 6, 7, 8, 9, 10]
重复100,000次。
我已经管理了下面的函数,该函数可提供所需的结果:
def func(a, b):
n = np.copy(a)
m = np.copy(b)
for i in range(len(n)):
n[i] = np.where(n[i] >= m, n[i] - m, 0)
m = np.maximum(0, m - a[i])
if not m.any():
return n
return n
但是,它还没有完全向量化。 所以:
>> timeit func(a, b)
3.23 ms ± 52.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
理想情况下,我想摆脱for循环,并使其尽可能矢量化。
谢谢。
我认为您可以像这样向量化您的函数:
import numpy as np
def func_vec(a, b):
ar = np.roll(a, 1, axis=0)
ar[0] = 0
ac = np.cumsum(ar, axis=0)
bc = np.maximum(b - ac, 0)
return np.maximum(a - bc, 0)
快速测试:
import numpy as np
def func(a, b):
n = np.copy(a)
m = np.copy(b)
for i in range(len(n)):
n[i] = np.where(n[i] >= m, n[i] - m, 0)
m = np.maximum(0, m - a[i])
if not m.any():
return n
return n
np.random.seed(100)
n = 100000
m = 10
num_max = 100
a = np.random.randint(num_max, size=(m, n))
b = np.random.randint(num_max, size=(1, n))
print(np.all(func(a, b) == func_vec(a, b)))
# True
但是,您的算法与向量化算法相比有一个重要优势,那就是当发现没有其他可减去的内容时,它将停止迭代。 这意味着,根据问题的大小和特定值(确定提前停止发生的时间,如果确定的话),矢量化的解决方案实际上可能会变慢。 请参阅上面的示例:
%timeit func(a, b)
# 5.09 ms ± 78.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit func_vec(a, b)
# 12.4 ms ± 939 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
但是,您可以使用Numba获得“两全其美”的解决方案:
import numpy as np
import numba as nb
@nb.njit
def func_nb(a, b):
n = np.copy(a)
m = np.copy(b)
zero = np.array(0, dtype=a.dtype)
for i in range(len(n)):
n[i] = np.maximum(n[i] - m, zero)
m = np.maximum(zero, m - a[i])
if not m.any():
return n
return n
print(np.all(func(a, b) == func_nb(a, b)))
# True
%timeit func_nb(a, b)
# 3.36 ms ± 461 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.