從單個值構建一個小的numpy數組：快速可讀的方法？

Question

我發現程序中的瓶頸是從給定值列表中創建numpy數組，最常見的是將4個值放入2x2數組中。 有一種明顯的，易於閱讀的方法：

my_array = numpy.array([[1, 3], [2.4, -1]])

這需要15美元 - 非常非常慢，因為我做了數百萬次。

然后有一個更快，難以閱讀的方式：

my_array = numpy.empty((2,2))
my_array[0,0] = 1
my_array[0,1] = 3
my_array[1,0] = 2.4
my_array[1,1] = -1

這快10倍，僅1 us。

有沒有什么方法快速且易於閱讀？

到目前為止我嘗試過：使用asarray代替array沒有任何區別; 將dtype=float傳遞給array也沒什么區別。 最后，我明白我可以自己做：

def make_array_from_list(the_list, num_rows, num_cols):
    the_array = np.empty((num_rows, num_cols))
    for i in range(num_rows):
        for j in range(num_cols):
            the_array[i,j] = the_list[i][j]
    return the_array

這將在4us中創建數組，中速可讀性（與上述兩種方法相比）。 但實際上，我無法相信使用內置方法沒有更好的方法。

先感謝您！！

Answer 1

這是一個很好的問題。 我找不到任何能夠接近你完全展開的解決方案的速度的東西（ 編輯 @BiRico能夠提出一些接近的東西。請參閱評論和更新 :)。 以下是我（和其他人）提出的一系列不同選項以及相關的時間：

import numpy as np

def f1():
    "np.array + nested lists"
    my_array = np.array([[1, 3], [2.4, -1]])

def f2():
    "np.array + nested tuples"
    my_array = np.array(((1, 3), (2.4, -1)))

def f3():
    "Completely unrolled"
    my_array = np.empty((2,2),dtype=float)
    my_array[0,0] = 1
    my_array[0,1] = 3
    my_array[1,0] = 2.4
    my_array[1,1] = -1

def f4():
    "empty + ravel + list"
    my_array = np.empty((2,2),dtype=float)
    my_array.ravel()[:] = [1,3,2.4,-1]

def f5():
    "empty + ravel + tuple"
    my_array = np.empty((2,2),dtype=float)
    my_array.ravel()[:] = (1,3,2.4,-1)

def f6():
    "empty + slice assignment"
    my_array = np.empty((2,2),dtype=float)
    my_array[0,:] = (1,3)
    my_array[1,:] = (2.4,-1)

def f7():
    "empty + index assignment"
    my_array = np.empty((2,2),dtype=float)
    my_array[0] = (1,3)
    my_array[1] = (2.4,-1)

def f8():
    "np.array + flat list + reshape"
    my_array = np.array([1, 3, 2.4, -1]).reshape((2,2))

def f9():
    "np.empty + ndarray.flat  (Pierre GM)"
    my_array = np.empty((2,2), dtype=float)
    my_array.flat = (1,3,2.4,-1)

def f10():
    "np.fromiter (Bi Roco)"
    my_array = np.fromiter((1,3,2.4,-1), dtype=float).reshape((2,2))

import timeit
results = {}
for i in range(1,11):
    func_name = 'f%d'%i
    my_import = 'from __main__ import %s'%func_name
    func_doc = globals()[func_name].__doc__
    results[func_name] = (timeit.timeit(func_name+'()',
                                        my_import,
                                        number=100000),
                          '\t'.join((func_name,func_doc)))

for result in sorted(results.values()):
    print '\t'.join(map(str,result))

而重要的時間：

在Ubuntu Linux上，Core i7：

0.158674955368  f3  Completely unrolled
0.225094795227  f10 np.fromiter (Bi Roco)
0.737828969955  f8  np.array + flat list + reshape
0.782918930054  f5  empty + ravel + tuple
0.786983013153  f9  np.empty + ndarray.flat  (Pierre GM)
0.814703941345  f4  empty + ravel + list
1.2375421524    f7  empty + index assignment
1.32230591774   f2  np.array + nested tuples
1.3752617836    f6  empty + slice assignment
1.39459013939   f1  np.array + nested lists

Answer 2

雖然顯然是違反直覺的，但結果並不令人驚訝：NumPy不是為處理大量非常小的陣列而設計的。 相反，它旨在操縱更大的數據數組。

我建議首先創建一個大型數組，大小為N*2*2 ，用你的數據填充它，然后重新整形為(N,2,2) 。

---

作為旁注，您可能想嘗試一下

def f10():
    mine = np.empty((2,2), dtype=float)
    mine.flat = (1,3,2.4,-1)

.flat方法應該比.ravel()[:]=...方法明顯更有效（我的個人測試顯示它與@mgilson f3順序相同）。