Question

我的切片numpy数组的代码（通过花哨的索引）非常慢。它目前是计划的瓶颈。

a.shape
(3218, 6)

ts = time.time(); a[rows][:, cols]; te = time.time(); print('%.8f' % (te-ts));
0.00200009

获取由矩阵a的行'rows'和列'col'的子集组成的数组的正确numpy调用是什么？（事实上，我需要这个结果的转置）

Answer 1

让我尝试总结一下Jaime和TheodrosZelleke的优秀答案，并在一些评论中加入。

Advanced (fancy) indexing始终返回副本，而不是视图。
a[rows][:,cols]暗示两个花式索引操作，因此创建并丢弃中间副本a[rows]。方便可读，但效率不高。此外，请注意[:,cols]通常会生成一个C-cont的Fortran连续副本。源。
a[rows.reshape(-1,1),cols]是一个单独的高级索引表达式，基于rows.reshape(-1,1)和cols broadcast为预期结果形状的事实。

一个常见的经验是，扁平数组中的索引比花式索引更有效，因此另一种方法是

indx = rows.reshape(-1,1)*a.shape[1] + cols
a.take(indx)

或

a.take(indx.flat).reshape(rows.size,cols.size)

效率取决于内存访问模式以及起始数组是C-countinous还是Fortran连续，因此需要进行实验。
仅在真正需要时使用花式索引：basic slicing a[rstart:rstop:rstep, cstart:cstop:cstep]返回视图（虽然不是连续的）并且应该更快！

Answer 2

令我惊讶的是，计算第一个线性1D指数的长度表达式比问题中提出的连续数组索引更快 50％：

(a.ravel()[(
   cols + (rows * a.shape[1]).reshape((-1,1))
   ).ravel()]).reshape(rows.size, cols.size)

更新： OP更新了初始数组形状的描述。随着更新的大小，加速现在高于 99％：

In [93]: a = np.random.randn(3218, 1415)

In [94]: rows = np.random.randint(a.shape[0], size=2000)

In [95]: cols = np.random.randint(a.shape[1], size=6)

In [96]: timeit a[rows][:, cols]
10 loops, best of 3: 186 ms per loop

In [97]: timeit (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
1000 loops, best of 3: 1.56 ms per loop

INITAL ANSWER： 以下是成绩单：

In [79]: a = np.random.randn(3218, 6)
In [80]: a.shape
Out[80]: (3218, 6)

In [81]: rows = np.random.randint(a.shape[0], size=2000)
In [82]: cols = np.array([1,3,4,5])

时间方法1：

In [83]: timeit a[rows][:, cols]
1000 loops, best of 3: 1.26 ms per loop

时间方法2：

In [84]: timeit (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
1000 loops, best of 3: 568 us per loop

检查结果实际上是否相同：

In [85]: result1 = a[rows][:, cols]
In [86]: result2 = (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)

In [87]: np.sum(result1 - result2)
Out[87]: 0.0

Answer 3

如果您使用花式索引和广播切片，可以加快速度：

from __future__ import division
import numpy as np

def slice_1(a, rs, cs) :
    return a[rs][:, cs]

def slice_2(a, rs, cs) :
    return a[rs[:, None], cs]

>>> rows, cols = 3218, 6
>>> rs = np.unique(np.random.randint(0, rows, size=(rows//2,)))
>>> cs = np.unique(np.random.randint(0, cols, size=(cols//2,)))
>>> a = np.random.rand(rows, cols)
>>> import timeit
>>> print timeit.timeit('slice_1(a, rs, cs)',
                        'from __main__ import slice_1, a, rs, cs',
                        number=1000)
0.24083110865
>>> print timeit.timeit('slice_2(a, rs, cs)',
                        'from __main__ import slice_2, a, rs, cs',
                        number=1000)
0.206566124519

如果按照百分比来考虑，做一些快15％的事情总是好的，但在我的系统中，对于阵列的大小，这需要40美元来做切片，而且很难相信采取240 us的行动将是你的瓶颈。

Answer 4

使用np.ix_，您可以采用与ravel / reshape类似的速度，但代码更清晰：

a = np.random.randn(3218, 1415)
rows = np.random.randint(a.shape[0], size=2000)
cols = np.random.randint(a.shape[1], size=6)
a = np.random.randn(3218, 1415)
rows = np.random.randint(a.shape[0], size=2000)
cols = np.random.randint(a.shape[1], size=6)

%timeit (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
#101 µs ± 2.36 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)


%timeit ix_ = np.ix_(rows, cols); a[ix_]
#135 µs ± 7.47 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

ix_ = np.ix_(rows, cols)
result1 = a[ix_]
result2 = (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)

np.sum(result1 - result2)
0.0

快速的numpy花式索引

4 个答案: