为什么 numpy 的左位移比 python 慢？

Question

我正在尝试对numpy 整数（特别是numpy.uint64 对象）进行位移，我需要它们快速。在下面的实现中，我将对象放在 numpy.array 中，只是因为这是唯一可以接受位左移的对象。如果有更快的实现，我会接受。

from timeit import timeit
print(timeit("a << 1", "a = int(2**60)"))
print(timeit("a << 1", "import numpy as np; a = np.array([2 ** 60], dtype=np.uint64)"))
print(timeit("np.left_shift(a, 1)", "import numpy as np; a = np.array([2 ** 60], dtype=np.uint64)"))

返回：

0.056681648000000084
1.208092987
1.1685176299999998

为什么 python 在这个操作上比numpy 快这么多？有没有办法在numpy 中获得相当的速度？

Answer 1

关于性能差异，这似乎是合乎逻辑的：您正在对一个元素应用矢量化移位。到达 shift 部分并更改 numpy 结构会产生很大的开销。本机代码的转换速度更快。

好的，当您尝试在一个元素上执行此操作时，我搜索了您收到的错误消息，即：

>>> a = numpy.uint64(2**60)
>>> a << 3
Traceback (most recent call last):
  File "<string>", line 301, in runcode
  File "<interactive input>", line 1, in <module>
TypeError: ufunc 'left_shift' not supported for the input types, and the inputs could not be safely coerced to any supported types according to the casting rule ''safe''

我发现了这个 github 问题：https://github.com/numpy/numpy/issues/2524

这是因为移位数被转换为有符号类型，并且没有大到足以容纳 uint64 的有符号整数类型。

现在一个很好的解决方法（如 github issue comment 所示）是这样的：

a << numpy.uint64(1)

（也许一劳永逸地构建“1”常量并在所有代码中使用它来保存对象创建）