[英]pure python faster than numpy for data type conversion
原諒我的無知。
如果 numpy 提供了使計算速度更快的矢量化操作,那么對於數據類型轉換來說,純 python 的速度幾乎快 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)
每個循環 249 µs ± 3.13 µs(7 次運行的平均值 ± 標准偏差,每次 1000 個循環)
%%timeit
B(a,b,c)
每個循環 1.87 毫秒 ± 4.08 微秒(平均值 ± 標准偏差。7 次運行,每次 1000 次循環)
謝謝你,愛麗兒
是的,NumPy確實提供了矢量化操作,使計算比普通的 Python 代碼更快。 但是,您沒有使用它們。
NumPy 旨在跨整個數據集執行操作,跨數據集塊的重復操作不多。 后者導致在 Python 級別進行迭代,這將增加運行時間。
您的主要問題是您使用的唯一“矢量化”操作是astype
,但您一次將其應用於三個元素,並且仍然像天真的 Python 解決方案一樣循環。 再加上在循環的每次迭代中創建 numpy arrays 會產生額外的開銷,難怪您嘗試使用 numpy 會更慢。
在微小的數據集上,Python可以更快,因為 NumPy 有創建 arrays 的開銷,將對象傳入和傳出三個元素看看你正在使用的鑄造操作。
%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)
超過四分之一的運行時間僅來自分配數組:將此與您的純 Python 版本進行比較:
%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,如果您只對這種大小的塊進行操作,Python 將擊敗 NumPy。
但是您的元素不止三個,因此 NumPy可用於顯着加快代碼速度,但您需要改變處理問題的思維方式。 與其關注如何將操作應用於單個標量,不如考慮如何將其應用於arrays 。
為了向量化這個問題,一般的想法是:
astype
調用將整個數組轉換為int
。它最終看起來像這樣:
def vectorized(a, b, c):
u = np.array([a, b, c]).astype(int)
return u[0] + u[1] - u[2]
一旦您比較了正確使用 NumPy 的兩種方法,您將開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
從字符串轉換為整數並不是 NumPy 比純 Python 做得快得多,從時序中可以看出,兩者相當接近。 但是,通過應用矢量化方法,比較至少要公平得多。
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.