代码之家 › 专栏 › 技术社区 › user2994559

为什么numpy数组似乎没有比标准python列表快得多?

parallel-processing numpy arrays python

user2994559 · 技术社区 · 8 年前

据我所知,numpy数组可以比python列表更快地处理操作,因为它们是以并行方式而不是迭代方式处理的。为了好玩,我试着测试一下,但没发现有什么不同。

我的考试有什么问题吗?是否只有比我使用的数组大得多的数组才有区别?我确保在每个函数中创建一个python列表和numpy数组,以消除创建一个与另一个可能产生的差异,但时间差似乎可以忽略不计。这是我的代码:

我的最终输出是numpy函数:6.534756324786595s,列表函数:6.559365831783256s

import timeit
import numpy as np

a_setup = 'import timeit; import numpy as np'

std_fx = '''
def operate_on_std_array():
    std_arr = list(range(0,1000000))
    np_arr = np.asarray(std_arr)
    for index,elem in enumerate(std_arr):
        std_arr[index] = (elem**20)*63134
    return std_arr
'''
parallel_fx = '''
def operate_on_np_arr():
    std_arr = list(range(0,1000000))
    np_arr = np.asarray(std_arr)
    np_arr = (np_arr**20)*63134
    return np_arr
'''

def operate_on_std_array():
    std_arr = list(range(0,1000000))
    np_arr = np.asarray(std_arr)
    for index,elem in enumerate(std_arr):
        std_arr[index] = (elem**20)*63134
    return std_arr

def operate_on_np_arr():
    std_arr = list(range(0,1000000))
    np_arr = np.asarray(std_arr)
    np_arr = (np_arr**20)*63134
    return np_arr


print('std',timeit.timeit(setup = a_setup, stmt = std_fx, number = 80000000))
print('par',timeit.timeit(setup = a_setup, stmt = parallel_fx, number = 80000000))



#operate_on_np_arr()
#operate_on_std_array()

2 回复 | 直到 8 年前

sudo 8 年前

The timeit docs here 表明您传入的语句应该执行某些内容,但您传入的语句只是定义函数。我在想,在100万长的阵列上进行800万次试验应该需要更长的时间。

您在测试中遇到的其他问题:

np_arr = (np_arr**20)*63134 可以创建np\U arr的副本,但您的Python列表等效项只会变异现有数组。
Numpy数学与Python数学不同。 100**20 在Python中,返回一个巨大的数字,因为Python具有无界长度的整数,但Numpy使用的是溢出的C风格固定长度整数。(一般来说,当您使用Numpy时,您必须想象在C中执行该操作,因为可能会应用其他非直观的东西,例如未初始化数组中的垃圾。)

下面是一个测试,我对这两个值进行了就地修改,每次都乘以然后除以31,这样值就不会随时间变化或溢出:

import numpy as np
import timeit

std_arr = list(range(0,100000))
np_arr = np.array(std_arr)
np_arr_vec = np.vectorize(lambda n: (n * 31) / 31)

def operate_on_std_array():
    for index,elem in enumerate(std_arr):
        std_arr[index] = elem * 31
        std_arr[index] = elem / 31
    return std_arr

def operate_on_np_arr():
    np_arr_vec(np_arr)
    return np_arr


import time
def test_time(f):
    count = 100
    start = time.time()
    for i in range(count):
        f()
    dur = time.time() - start
    return dur

print(test_time(operate_on_std_array))
print(test_time(operate_on_np_arr))

结果:

3.0798873901367188 # standard array time
2.221336841583252 # np array time

编辑:正如@user2357112所指出的,正确的Numpy方法是:

def operate_on_np_arr():
    global np_arr
    np_arr *= 31
    np_arr //= 31 # integer division, not double
    return np_arr

使速度更快。我懂了 0.1248

hpaulj 8 年前

以下是使用 ipython 初始化列表和/或数组的魔法。结果应侧重于计算:

In [103]: %%timeit alist = list(range(10000))
     ...: for i,e in enumerate(alist):
     ...:    alist[i] = (e*3)*20
     ...: 
4.13 ms Â± 146 Âµs per loop (mean Â± std. dev. of 7 runs, 100 loops each)

In [104]: %%timeit arr = np.arange(10000)
     ...: z = (arr*3)*20
     ...: 
20.6 Âµs Â± 439 ns per loop (mean Â± std. dev. of 7 runs, 10000 loops each)

In [105]: %%timeit alist = list(range(10000))
     ...: z = [(e*3)*20 for e in alist]
     ...: 
     ...: 
1.71 ms Â± 2.69 Âµs per loop (mean Â± std. dev. of 7 runs, 1000 loops each)

查看阵列创建时间的影响:

In [106]: %%timeit alist = list(range(10000))
     ...: arr = np.array(alist)
     ...: z = (arr*3)*20
     ...: 
     ...: 
1.01 ms Â± 43.6 Âµs per loop (mean Â± std. dev. of 7 runs, 1000 loops each)

好吧,计算结果不一样。如果我使用 **3 相反,所有时间都是2倍大。相同的相对关系。