数组排序的 f2py 速度答案

【问题标题】：f2py speed with array ordering数组排序的 f2py 速度
【发布时间】：2012-09-26 16:12:22
【问题描述】：

我正在用 fortran (f2py) 编写一些代码，以便获得一些速度，因为在纯 Python 中进行大量计算会很麻烦。

我想知道在 Python 中将 NumPy 数组设置为 order=Fortran 是否会减慢速度与经典 C 风格顺序相关的主要 Python 代码。

【问题讨论】：

【解决方案1】：

顺序会对计算速度产生很大影响。下面是一个简单的例子：

In [15]: x = np.ones((1000, 1000))

In [16]: y = np.ones((1000, 1000), order='F')

In [17]: %timeit x.sum(axis=0)
100 loops, best of 3: 8.03 ms per loop

In [18]: %timeit y.sum(axis=0)
1000 loops, best of 3: 1.02 ms per loop

在此示例中，对 C 有序数组的列求和所需的时间是对 Fortran 有序数组求和的 8 倍。如果在另一个轴上进行求和，C 有序数组上的计算会更快：

In [19]: %timeit x.sum(axis=1)
1000 loops, best of 3: 1.02 ms per loop

In [20]: %timeit y.sum(axis=1)
100 loops, best of 3: 8.09 ms per loop

因此，对于使用 Fortran 有序数组是否会影响 Python 代码的性能，答案是“可能”。

【讨论】：

【解决方案2】：

不应该有任何减速。从 NumPy 1.6 开始，大多数 ufuncs（即基本的“通用”函数）采用可选参数，允许用户指定她的数组的内存布局：默认情况下，它是 K，这意味着输入（匹配）尽可能接近`。

所以，一切都应该在后台处理好。

在最坏的情况下，您始终可以使用 np.array 的 order 参数从一个订单切换到另一个订单（但这会复制您的数据，并且可能不值得）。

【讨论】：