使用 Numpy Python 提高迭代函数的性能答案

【问题标题】：Increasing the performance of an iterating function with Numpy Python使用 Numpy Python 提高迭代函数的性能
【发布时间】：2021-06-11 14:23:15
【问题描述】：

有没有办法可以在纯 numpy 上运行下面的函数，所以我试图摆脱 for 循环。我正在尝试减少代码的运行时间。 Number_array 与Values 的每个元素相加并求和。每次迭代后，总和会附加到 Appending_list 上。 Number_array 在 0 到 100 之间生成 10000000 个整数。

代码：

import numpy as np
from numpy import random
Appending_list = []
Values = random.randint(100, size=(100000))
Number_array = random.randint(100, size=(1000))
for n in range(len(Values)):
    result = np.sum([Number_array + Values[n]])
    Appending_list.append(result)

性能：

【问题讨论】：

您是否尝试过显而易见的方法，只计算np.sum(Number_array) 一次并调整Values 中每个值的总和？
那个循环也不是问题，几乎所有的工作都已经由 NumPy 完成了。
我不明白和位的调整？我知道 for 循环并没有减慢它的速度，但那是因为 n 值的长度太小了。如果我增加 n 值的长度，它将开始对处理时间产生影响。我已经更新了代码，这可能是一个更好的例子
嗯，所以你无法确定np.sum([Number_array + Values[n]])和np.sum(Number_array)之间的区别？或者您的个人资料图片是否准确？
哦，我明白你的意思了，但是如果值的 len 非常大，也会极大地影响性能。因为它遍历了一个 for 循环。

标签： python arrays numpy for-loop sum

【解决方案1】：

您的比较代码：

Appending_list = []
for n in range(len(Values)):
    result = np.sum([Number_array + Values[n]])
    Appending_list.append(result)

用不同的方式写总和：

Appending_list = []
for n in range(len(Values)):
    result = np.sum(Number_array) + Values[n] * len(Number_array)
    Appending_list.append(result)

这很容易矢量化：

Appending_list = np.sum(Number_array) + Values * len(Number_array)

【讨论】：

当然会影响性能，但 for 循环会成为瓶颈。还是谢谢
什么for循环？没有了。
哦，没关系，我认为Appending_list 功能与result 相同。对此感到抱歉。