如何快速存储 numpy 对象（矩阵）？答案

【问题标题】：How to store numpy objects ( matrices ) fast?如何快速存储 numpy 对象（矩阵）？
【发布时间】：2017-08-18 08:57:05
【问题描述】：

我必须存储 numpy 矩阵的列表。我尝试了两种方法：

1.创建一个list并附加到它：

ls_ws=[]
for ind in range(iterations):
    ...
    ls_ws.append(ls_w) # ls_w is a matrix of size 6,1

问题：开始时很快，结束时变得很慢。

2.创建一个零矩阵并修改它：

for ind in range(iterations):
    ...
    ls_ws=np.matrix(np.zeros((6,iterations)))

问题：我不太确定，但这似乎与每次迭代的速度都相同。
我得到的奇怪的事情是，如果我将迭代设置为小数字，它会很快。但是如果我将它设置为像 1500 这样的大数字，那么每次迭代（甚至是第一次迭代）都会非常慢。

第二种方法应该很快，但如果我将迭代次数设置为很大，则速度很慢。为什么？如何解决？

【问题讨论】：

您是否介意量化一下，并说明理想过程应该花费多少纳秒 [ns]（从开始到结束，包括内存分配），例如，1.000 的中等大小.000 个元素，不要称它为慢（或者，非常慢），什么是区域，在您的使用上下文中，该过程将被称为快？这很公平，不是吗？
在第一个中，您是将ls_ws 转换为最后的数组，还是将其保留为列表？
您是在测量 iterations 的不同值的时间，还是测量每次迭代的时间？
众所周知，追加到列表涉及 malloc()，在big-o 表示法中是 O(n)。因此迭代地附加 n 项是 O(n^2)。速度太慢了。

标签： python performance numpy matrix append

【解决方案1】：

我认为您在这里几乎有一个很好的解决方案，但是您对列与行的处理可能会阻碍性能：

ls_ws=np.matrix(np.zeros((6,iterations))) 
for ind in range(iterations):
    ...
    ls_ws[:,ind]=ls_w

您应该在第一个维度而不是最后一个维度内进行迭代。您可以交换尺寸，或者只是这样做：

ls_ws=np.matrix(np.zeros((6,iterations), order='F'))

当数组很大时，这可能会有所帮助，因为您将访问 6 个元素的连续块，而不是每次迭代中的分散位。

【讨论】：

np.array，请不要 np.matrix
@ev-br 什么意思？
@AbhishekBhatia：您在这里的评论中提到了compute_error()，但在您的问题中却没有！
你的内存是一维的，但可以处理二维数组。数组np.array([[1,2,3],[4,5,6],[7,8,9]]) 可以像1 2 3 4 5 6 7 8 9 那样存储，它是像语言C 中的行主要（order='C'），或者可以像1 4 7 2 5 8 3 6 9 那样存储，它是像Fortran 中的列主要（order='F'）。参见例如Wiki。就像提到的答案一样，访问内存中的连续位置更快。
@AbhishekBhatia: order='F' 重新排列内存中的数据以形成您的访问模式，以便您对元素 0-5、6-11、12-17 进行操作，而不是原来您正在操作0、1000、2000、3000、4000、5000，然后是 1、1001、2001、3001、4001、5001 等。由于多种原因，按顺序执行会更快。

【解决方案2】：

使用准系统版本的列表追加：

def foo1(N):
    alist = []
    for _ in range(N):
        alist.append([1,2,3,4,5,6])
    return np.array(alist)

与 N 平滑地缩放时间

In [4]: timeit foo1(100)
10000 loops, best of 3: 123 µs per loop
In [5]: timeit foo1(1000)
1000 loops, best of 3: 1.23 ms per loop
In [6]: timeit foo1(10000)
100 loops, best of 3: 12.3 ms per loop
In [7]: timeit foo1(100000)
10 loops, best of 3: 129 ms per loop
In [8]: timeit foo1(1000000)
1 loop, best of 3: 1.29 s per loop
In [9]: timeit foo1(10000000)
1 loop, best of 3: 12.9 s per loop

列表附加可能会因列表较大而减慢速度。列表使用缓冲区来保存指针，以及一些增长空间。当它超出那个空间时，它必须得到更多。如果它不能“就地”扩展，它将不得不请求新空间并复制所有指针。对于接近填充内存的非常大的列表，这可能会减慢速度。随着时间安排从 123 到 129，我可能会看到这方面的暗示

def foo2(N):
    out = np.zeros((N,6),int)
    for i in range(N):
        out[i,:] = [1,2,3,4,5,6]
    return out

时间也随 N 缩放，是列表情况的两倍：

In [15]: timeit foo2(100)
1000 loops, best of 3: 242 µs per loop
In [16]: timeit foo2(1000)
100 loops, best of 3: 2.52 ms per loop
In [17]: timeit foo2(10000)
10 loops, best of 3: 24.6 ms per loop
In [18]: timeit foo2(100000)
1 loop, best of 3: 249 ms per loop
In [19]: timeit foo2(1000000)
1 loop, best of 3: 2.52 s per loop
In [20]: timeit foo2(10000000)
1 loop, best of 3: 25.2 s per loop

在最后一个维度上迭代在时间上没有区别

def foo3(N):
    out = np.zeros((6,N),int)
    for i in range(N):
        out[:,i] = [1,2,3,4,5,6]
    return out

在一次只分配/创建 6 个元素的同时迭代 1000 次是很糟糕的 numpy 实践。如果必须迭代，最好循环几次，每次都进行大型操作。例如 6 个循环，包含 1000 个项目数组。

如果我将迭代向下移动到已编译的代码，时间会快得多

def foo4(N):
    out = np.zeros((N,6),int)
    out[...] = [1,2,3,4,5,6]
    return out

In [28]: timeit foo4(1000)
.... cached.
10000 loops, best of 3: 20.4 µs per loop
In [29]: timeit foo4(100000)
1000 loops, best of 3: 1.45 ms per loop

您谈论保存矩阵，甚至分配np.matrix。那么让我们看看有什么效果：

def foo1m(N):
    alist = []
    for _ in range(N):
        alist.append(np.matrix([1,2,3,4,5,6]).T)
    return np.concatenate(alist, axis=1)

def foo2m(N):
    out = np.matrix(np.zeros((6,N),int))
    for i in range(N):
        out[:,i] = np.matrix([1,2,3,4,5,6]).T
    return out

In [62]: timeit foo1(1000)
1000 loops, best of 3: 1.32 ms per loop
In [63]: timeit foo1m(1000)
100 loops, best of 3: 18 ms per loop
In [64]: timeit foo2(1000)
100 loops, best of 3: 2.75 ms per loop
In [65]: timeit foo2m(1000)
10 loops, best of 3: 28.2 ms per loop

这使得每次/迭代时间增加了 10 倍。 matrix 是 ndarray 的子类，需要更多处理（强制其为 2d 等）。

【讨论】：