返回新数组和修改传入数组的性能答案

【问题标题】：Performance of returning a new array and modifying a passed-in array返回新数组和修改传入数组的性能
【发布时间】：2015-01-01 00:36:54
【问题描述】：

[Related]

在下面的快照中，我比较了速度

通过切片分配修改现有数组
只是返回一个新的、修改后的数组

似乎后者更快。为什么会这样？

编辑：更新了建议，以及使用 numpy 的矢量化 add() 的版本，现在是最快的。

【问题讨论】：

标签： python python-2.7 numpy

【解决方案1】：

我对 python/numpy 的内部结构了解不多，但这是我假设正在发生的事情。只看代码，我就觉得finline 比freturn 做了更多的工作，因为finline 拥有freturn 所做的所有语句（x + 1.0）等等。

也许这可以解释发生了什么：

>>> x = np.random.rand(N)
>>> y = np.zeros(N)
>>> super(np.ndarray, y).__repr__()
Out[33]: '<numpy.ndarray object at 0x24c9c80>'
>>> finline(x, y)
>>> y     # see that y was modified
Out[35]: 
array([ 1.92772158,  1.47729293,  1.96549695, ...,  1.37821499,
        1.8672971 ,  1.17013856])
>>> super(np.ndarray, y).__repr__()
Out[36]: '<numpy.ndarray object at 0x24c9c80>'  # address of y did not change
>>> y = freturn(x)
>>> super(np.ndarray, y).__repr__()
Out[38]: '<numpy.ndarray object at 0x24c9fc0>'  # address of y changed

所以本质上，我认为finline 正在做更多的工作，因为它必须遍历 y 的元素并将它们中的每一个初始化为x + 1.0 操作返回的数组。另一方面，y = freturn(x) 可能只是将y 指针的值重新初始化为等于x + 1.0 操作初始化的数组的地址。

【讨论】：

好的，我想你是说内联版本正在做一个额外的复制，即计算的 RHS 产生一个中间体，作为一个单独的步骤分配给 inline-y 的内存？可能。我现在正在查看dis.dis() 的输出...
@cjrh，是的，在这种情况下会有一个中间人。为了避免中间，你可以这样做：y[:] = x, y += 1.0。它更快吗？
@cjrh：没错。我认为这有点像 C++ 中复制和移动构造函数之间的区别。
@RomanL：我为您的建议添加了一个版本。它似乎比其他人慢。我还加了一个np.add()的版本，现在最快了。
@cjrh：我看不出它会变慢的原因，而且它在我的机器上是更快。当然，np.add 是要走的路。

【解决方案2】：

x + 1 将创建一个新数组。
y[:] = x + 1：新建数组，将所有数据复制到y
y = x + 1：创建一个新数组并将名称y 绑定到这个新数组。
np.add(x, 1, out=y)：不要新建数组，这样最快。

代码如下：

x = np.zeros(1000000)
y = np.zeros_like(x)
%timeit x + 1
%timeit y[:] = x + 1
%timeit np.add(x, 1, out=y)

输出：

100 loops, best of 3: 4.2 ms per loop
100 loops, best of 3: 6.83 ms per loop
100 loops, best of 3: 2.5 ms per loop

【讨论】：

谢谢！我最终自己到达了那里，但无论如何都有一些要点:)