Question

在特定轴上求和数组时，专用数组方法array.sum(ax)实际上可能比for循环慢：

v = np.random.rand(3,1e4)

timeit v.sum(0)                             # vectorized method
1000 loops, best of 3: 183 us per loop

timeit for row in v[1:]: v[0] += row        # python loop
10000 loops, best of 3: 39.3 us per loop

矢量化方法比普通的for循环慢4倍！这里（g）的（wr）是什么，我不能相信numpy中的矢量化方法比for循环更快吗？

Answer 1

不，你不能。正如您的有趣示例所指出的那样numpy.sum可能不是最理想的，并且通过显式for循环更好地布局操作可以更有效。

让我再举一个例子：

>>> N, M = 10**4, 10**4
>>> v = np.random.randn(N,M)
>>> r = np.empty(M)
>>> timeit.timeit('v.sum(axis=0, out=r)', 'from __main__ import v,r', number=1)
1.2837879657745361
>>> r = np.empty(N)
>>> timeit.timeit('v.sum(axis=1, out=r)', 'from __main__ import v,r', number=1)
0.09213519096374512

在这里，您清楚地看到numpy.sum在快速运行索引（v是C-连续的）上求和时是最佳的，而在慢速运行轴上求和时则是次优的。有趣的是，对于for循环，相反的模式是正确的：

>>> r = np.zeros(M)
>>> timeit.timeit('for row in v[:]: r += row', 'from __main__ import v,r', number=1)
0.11945700645446777
>>> r = np.zeros(N)
>>> timeit.timeit('for row in v.T[:]: r += row', 'from __main__ import v,r', number=1)
1.2647287845611572

我没有时间检查numpy代码，但我怀疑产生差异的是连续的内存访问或跨步访问。

如这个例子所示，在实现数值算法时，正确的存储器布局具有重要意义。矢量化代码不一定能解决所有问题。

numpy.sum可能比Python for循环慢

1 个答案: