Numpy 项目比 operator[] 快

Question

我在 python 中有以下代码，至少对我来说会产生奇怪的结果：

import numpy as np
import timeit

a = np.random.rand(3,2)

print timeit.timeit('a[2,1] + 1', 'from __main__ import a', number=1000000)
print timeit.timeit('a.item((2,1)) + 1', 'from __main__ import a', number=1000000)

这给出了结果：

0.533630132675
0.103801012039

如果我只尝试访问 numpy 元素似乎没问题，但是当增加这个元素时，时间变得很奇怪......为什么时间会有这样的差异？

Answer 1

在这种情况下，它们不会返回完全相同的东西。 a[2,1] 返回一个 numpy.float64，而 a.item((2,1)) 返回一个本机 python 浮点数。

本机 vs numpy 标量（float、int 等）

numpy.float64 标量与原生 python float 并不完全相同（但是它们的行为相同）。使用原生 python 浮点数对单个元素进行简单操作会更快，因为间接性更少。请查看docstring for ndarray.item 了解更多详情。

作为速度差异的示例，请考虑以下几点：

In [1]: x = 1.2

In [2]: y = np.float64(1.2)

In [3]: %timeit x + 1
10000000 loops, best of 3: 58.9 ns per loop

In [4]: %timeit y + 1
1000000 loops, best of 3: 241 ns per loop

---

最初，我错误地指出第二个因素是a.item(...) 比a[...] 稍快。这实际上不是真的。 a.item 将 numpy 标量转换为原生 python 标量所需的时间超过了 a[...]/a.__getitem__(...) 中附加逻辑所需的时间。

---

不要将此结果推广到多个项目

但是，您应该小心尝试将 numpy 标量所发生的情况概括为 numpy 数组如何作为一个整体运行。如果您在 numpy 中进行大量单项索引，这通常是一种反模式。

例如，比较：

In [5]: a = np.random.rand(1000)

In [6]: %timeit a + 1
100000 loops, best of 3: 2.32 us per loop

无论我们做什么，我们都无法匹配上述矢量化版本 (a + 1) 的速度（或更低的内存使用量）：

In [7]: %timeit [x + 1 for x in a]
1000 loops, best of 3: 257 us per loop

In [8]: %timeit [a.item(i) + 1 for i in range(len(a))]
1000 loops, best of 3: 208 us per loop

其中一些原因是遍历 ndarrays 比遍历列表要慢。为了完全公平的比较，让我们将所有内容都转换为原生 python 浮点数列表：

In [9]: b = a.tolist()

In [10]: type(b[0])
Out[10]: float

In [11]: %timeit [x + 1 for x in b]
10000 loops, best of 3: 69.4 us per loop

显然，当您对较大的数组进行操作时，使用矢量化操作（第一种情况）要快得多。它的内存效率也高得多，因为lists 需要存储指向每个项目的指针，而ndarrays 在内存中是连续的。