纯 python 比 numpy 快用于数据类型转换

Question

原谅我的无知。

如果 numpy 提供了使计算速度更快的矢量化操作，那么对于数据类型转换来说，纯 python 的速度几乎快 8 倍？

例如

a = np.random.randint(0,500,100).astype(str)
b = np.random.randint(0,500,100).astype(str)
c = np.random.randint(0,500,100).astype(str)

def A(a,b,c):
    for i,j,k in zip(a,b,c):
        d,e,f = int(i), int(j), int(k)
        r = d+e-f
    return 

def B(a,b,c):
    for i,j,k in zip(a,b,c):
        d,e,f  = np.array([i,j,k]).astype(int)
        r = d+e-f
    return 

然后，

%%timeit 
A(a,b,c)

每个循环 249 µs ± 3.13 µs（7 次运行的平均值 ± 标准偏差，每次 1000 个循环）

%%timeit
B(a,b,c)

每个循环 1.87 毫秒 ± 4.08 微秒（平均值 ± 标准偏差。7 次运行，每次 1000 次循环）

谢谢你，爱丽儿

Answer 1

是的，NumPy确实提供了矢量化操作，使计算比普通的 Python 代码更快。 但是，您没有使用它们。

NumPy 旨在跨整个数据集执行操作，跨数据集块的重复操作不多。 后者导致在 Python 级别进行迭代，这将增加运行时间。

您的主要问题是您使用的唯一“矢量化”操作是astype ，但您一次将其应用于三个元素，并且仍然像天真的 Python 解决方案一样循环。 再加上在循环的每次迭代中创建 numpy arrays 会产生额外的开销，难怪您尝试使用 numpy 会更慢。

在微小的数据集上，Python可以更快，因为 NumPy 有创建 arrays 的开销，将对象传入和传出三个元素看看你正在使用的铸造操作。

%timeit np.array(['1', '2', '3']).astype(int)
5.25 µs ± 89.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%timeit np.array(['1', '2', '3'])
1.62 µs ± 42.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

超过四分之一的运行时间仅来自分配数组：将此与您的纯 Python 版本进行比较：

%timeit a, b, c = int('1'), int('2'), int('3')
659 ns ± 50.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

因此，如果您只对这种大小的块进行操作，Python 将击败 NumPy。

---

但是您的元素不止三个，因此 NumPy可用于显着加快代码速度，但您需要改变处理问题的思维方式。 与其关注如何将操作应用于单个标量，不如考虑如何将其应用于arrays 。

---

为了向量化这个问题，一般的想法是：

• 创建一个包含所有值的数组
• 使用单个astype调用将整个数组转换为int 。
• 提前进行元素操作以将所需的算术应用于数组。

它最终看起来像这样：

def vectorized(a, b, c):
    u = np.array([a, b, c]).astype(int)
    return u[0] + u[1] - u[2]

---

一旦您比较了正确使用 NumPy 的两种方法，您将开始看到性能大幅提升。

def python_loop(a, b, c):
    out = []
    for i,j,k in zip(a,b,c):
        d,e,f = int(i), int(j), int(k)
        out.append(d+e-f)
    return out

a, b, c = np.random.randint(0, 500, (3, 100_000)).astype(str)

In [255]: %timeit vectorized(a, b, c)
181 ms ± 6.07 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [256]: %timeit python_loop(a, b, c)
206 ms ± 7.97 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> np.array_equal(python_loop(a, b, c), vectorized(a, b, c))
True

从字符串转换为整数并不是 NumPy 比纯 Python 做得快得多，从时序中可以看出，两者相当接近。 但是，通过应用矢量化方法，比较至少要公平得多。