[英]How to optimize a nested for loop in Python
所以我試圖編寫一個python函數來返回一個名為Mielke-Berry R值的度量。 度量標准計算如下:
我編寫的當前代碼有效,但由於等式中的和的總和,我唯一能想到解決它的問題是在Python中使用嵌套的for循環,這非常慢......
以下是我的代碼:
def mb_r(forecasted_array, observed_array):
"""Returns the Mielke-Berry R value."""
assert len(observed_array) == len(forecasted_array)
y = forecasted_array.tolist()
x = observed_array.tolist()
total = 0
for i in range(len(y)):
for j in range(len(y)):
total = total + abs(y[j] - x[i])
total = np.array([total])
return 1 - (mae(forecasted_array, observed_array) * forecasted_array.size ** 2 / total[0])
我將輸入數組轉換為列表的原因是因為我聽說(尚未測試)使用python for循環索引一個numpy數組非常慢。
我覺得可能有某種numpy功能可以更快地解決這個問題,任何人都知道什么?
這是一種利用broadcasting
獲得total
矢量化方式 -
np.abs(forecasted_array[:,None] - observed_array).sum()
要同時接受列表和數組,我們可以使用NumPy內置的外部減法,如下所示 -
np.abs(np.subtract.outer(forecasted_array, observed_array)).sum()
我們還可以利用numexpr
模塊進行更快的absolute
計算,並在一個單一的numexpr evaluate
調用中執行summation-reductions
,因此會更加節省內存,就像這樣 -
import numexpr as ne
forecasted_array2D = forecasted_array[:,None]
total = ne.evaluate('sum(abs(forecasted_array2D - observed_array))')
如果您不受內存限制,優化numpy
嵌套循環的第一步是使用廣播並以矢量化方式執行操作:
import numpy as np
def mb_r(forecasted_array, observed_array):
"""Returns the Mielke-Berry R value."""
assert len(observed_array) == len(forecasted_array)
total = np.abs(forecasted_array[:, np.newaxis] - observed_array).sum() # Broadcasting
return 1 - (mae(forecasted_array, observed_array) * forecasted_array.size ** 2 / total[0])
但是在這種情況下,循環發生在C而不是Python中,它涉及分配大小(N,N)數組。
如上所述,廣播意味着巨大的內存開銷。 所以它應該謹慎使用,並不總是正確的方法。 雖然你可能有第一印象到處使用它 - 不要 。 不久前我也被這個事實搞糊塗了,看看我的問題Numpy ufuncs speed vs for loop speed 。 不要太冗長,我會在你的例子中展示:
import numpy as np
# Broadcast version
def mb_r_bcast(forecasted_array, observed_array):
return np.abs(forecasted_array[:, np.newaxis] - observed_array).sum()
# Inner loop unrolled version
def mb_r_unroll(forecasted_array, observed_array):
size = len(observed_array)
total = 0.
for i in range(size): # There is only one loop
total += np.abs(forecasted_array - observed_array[i]).sum()
return total
小型陣列(廣播速度更快)
forecasted = np.random.rand(100)
observed = np.random.rand(100)
%timeit mb_r_bcast(forecasted, observed)
57.5 µs ± 359 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
%timeit mb_r_unroll(forecasted, observed)
1.17 ms ± 2.53 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
中型陣列(相等)
forecasted = np.random.rand(1000)
observed = np.random.rand(1000)
%timeit mb_r_bcast(forecasted, observed)
15.6 ms ± 208 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit mb_r_unroll(forecasted, observed)
16.4 ms ± 13.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
大尺寸陣列(廣播速度較慢)
forecasted = np.random.rand(10000)
observed = np.random.rand(10000)
%timeit mb_r_bcast(forecasted, observed)
1.51 s ± 18 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit mb_r_unroll(forecasted, observed)
377 ms ± 994 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)
正如您所看到的,對於小型陣列,廣播版本比展開的速度快20倍 ,對於中等大小的陣列,它們相當 ,但對於大型陣列, 速度要慢4倍,因為內存開銷正在付出昂貴的代價。
另一種方法是使用numba
及其神奇強大的@jit
函數裝飾器。 在這種情況下,只需稍微修改您的初始代碼即可。 要使循環並行,您應該將range
更改為prange
並提供parallel=True
關鍵字參數。 在下面的代碼片段中,我使用@njit
裝飾器,它與@jit(nopython=True)
:
from numba import njit, prange
@njit(parallel=True)
def mb_r_njit(forecasted_array, observed_array):
"""Returns the Mielke-Berry R value."""
assert len(observed_array) == len(forecasted_array)
total = 0.
size = len(forecasted_array)
for i in prange(size):
observed = observed_array[i]
for j in prange(size):
total += abs(forecasted_array[j] - observed)
return 1 - (mae(forecasted_array, observed_array) * size ** 2 / total)
你沒有提供mae
函數,但是要在njit
模式下運行代碼,你還必須裝飾mae
函數,或者如果它是一個數字,則將它作為參數傳遞給jitted函數。
Python科學生態系統是巨大的,我只提到了一些其他等效的選項來加速: Cython
, Nuitka
, Pythran
, bottleneck
和許多其他。 也許你對gpu computing
感興趣,但這實際上是另一個故事。
在我的電腦上,不幸的是舊的,時間是:
import numpy as np
import numexpr as ne
forecasted_array = np.random.rand(10000)
observed_array = np.random.rand(10000)
初始版本
%timeit mb_r(forecasted_array, observed_array)
23.4 s ± 430 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
numexpr
%%timeit
forecasted_array2d = forecasted_array[:, np.newaxis]
ne.evaluate('sum(abs(forecasted_array2d - observed_array))')[()]
784 ms ± 11.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
廣播版
%timeit mb_r_bcast(forecasted, observed)
1.47 s ± 4.13 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
內循環展開版
%timeit mb_r_unroll(forecasted, observed)
389 ms ± 11.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
numba njit(parallel=True)
版本
%timeit mb_r_njit(forecasted_array, observed_array)
32 ms ± 4.05 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
由此可以看出, njit
的做法是730X快那么你的初步解決方案,同時也24.5x速度比numexpr
解決方案(也許你需要英特爾的矢量數學庫,以加速它)。 內圈展開的簡單方法與初始版本相比,速度提高了60倍。 我的規格是:
英特爾(R)酷睿(TM)2四核CPU Q9550 2.83GHz
Python 3.6.3
numpy 1.13.3
numba 0.36.1
numexpr 2.6.4
我很驚訝你的短語“我聽說過(還沒有測試過)使用python for循環索引一個numpy數組非常慢。” 所以我測試:
arr = np.arange(1000)
ls = arr.tolistist()
%timeit for i in arr: pass
69.5 µs ± 282 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
%timeit for i in ls: pass
13.3 µs ± 81.8 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit for i in range(len(arr)): arr[i]
167 µs ± 997 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
%timeit for i in range(len(ls)): ls[i]
90.8 µs ± 1.07 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
結果證明你是對的。 迭代列表的速度提高了2-5倍。 當然,這些結果必須帶有一定的反諷:)
作為參考,以下代碼:
#pythran export mb_r(float64[], float64[])
import numpy as np
def mb_r(forecasted_array, observed_array):
return np.abs(forecasted_array[:,None] - observed_array).sum()
在純CPython上以下列速度運行:
% python -m perf timeit -s 'import numpy as np; x = np.random.rand(400); y = np.random.rand(400); from mbr import mb_r' 'mb_r(x, y)'
.....................
Mean +- std dev: 730 us +- 35 us
當用Pythran編譯時,我得到了
% pythran -march=native -DUSE_BOOST_SIMD mbr.py
% python -m perf timeit -s 'import numpy as np; x = np.random.rand(400); y = np.random.rand(400); from mbr import mb_r' 'mb_r(x, y)'
.....................
Mean +- std dev: 65.8 us +- 1.7 us
所以在具有AVX擴展的單核上大約是x10加速。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.