Question

我写了下面这段代码。我遇到了严重的性能问题。特别是我循环5000万次的循环（z范围（总）:)似乎非常慢。我可以修改它以提高效率吗？ - 也许修改它如何存储r1，r2中最后10个值的总和？

import numpy as np
import math
import scipy.stats as sp

# Define sample size 
sample=4999999
cutoff=int((sample+1)/100)
# Define days for x-day VaR
xdays=10

# Calculate the whole sample size and extended total sample size
size=sample*xdays+xdays-1
total=size+xdays
cutoff_o=int((size+1)/100)


# Sample values for kurtosis
#kurt=[0.0000001,1.0,2.0,3.0,4.0,5.0,6.0,10.0]

kurt=[6.0]

# Number of repetitions
rep=2

# Define correlation coefficient
rho=0.5

# Loop for different iterations
for x in range(rep):
    uni=sp.uniform.rvs(size=total)

# Loop for different values of kurtosis
    for y in kurt:
        df=(6.0/y)+4.0

        # Initialize arrays
        t_corr=np.empty(total)
        n_corr=np.empty(total)
        t_corr_2=np.empty(total)

        r1=np.empty(sample)
        r2=np.empty(size)

        r3=np.empty(sample)
        r4=np.empty(size)

        # Define t dist from uniform
        t_dist=sp.t.ppf(uni,df)
        n_dist=sp.norm.ppf(uni)

        # Loop to generate autocorrelated distributions
        for z in range(total):
            if z==0:
                t_corr[z]=t_dist[z]
                n_corr[z]=n_dist[z]
                t_corr_2[z]=sp.t.ppf(sp.norm.cdf(n_corr[z]),df)
            else:
                t_corr[z]=rho*t_dist[z-1] + math.sqrt((1-rho**2))*t_dist[z]
                n_corr[z]=rho*n_dist[z-1] + math.sqrt((1-rho**2))*n_dist[z]
                t_corr_2[z]=sp.t.ppf(sp.norm.cdf(n_corr[z]),df)
            if z>xdays-1:
                z_x=int(z/xdays)-1
                if (z%xdays)==0 and z_x<sample:
                    r1[z_x]= sum(t_corr[z-10:z])
                    r3[z_x]= sum(t_corr_2[z-10:z])

                r2[z-xdays]= sum(t_corr[z-10:z])
                r4[z-xdays]= sum(t_corr_2[z-10:z])

        print (np.partition(r1, cutoff-1)[cutoff-1], np.partition(r3, cutoff-1)[cutoff-1], np.partition(r2, cutoff_o-1)[cutoff_o-1], np.partition(r4, cutoff_o-1)[cutoff_o-1])
    print ()

Answer 1

一些建议：

不需要的ifs

首先，您可以从循环中删除if语句。当程序员知道 z == 0在第一个循环中等于零时，检查z数百万次似乎没有必要。 if z>xdays-1：

也是如此

if z==0:
    t_corr[z]=t_dist[z]
    n_corr[z]=n_dist[z]
    t_corr_2[z]=sp.t.ppf(sp.norm.cdf(n_corr[z]),df)

for z in range(1, xdays - 1):
    t_corr[z]=rho*t_dist[z-1] + math.sqrt((1-rho**2))*t_dist[z]
    n_corr[z]=rho*n_dist[z-1] + math.sqrt((1-rho**2))*n_dist[z]
    t_corr_2[z]=sp.t.ppf(sp.norm.cdf(n_corr[z]),df)

for z in range(xdays - 1, total)
    t_corr[z]=rho*t_dist[z-1] + math.sqrt((1-rho**2))*t_dist[z]
    n_corr[z]=rho*n_dist[z-1] + math.sqrt((1-rho**2))*n_dist[z]
    t_corr_2[z]=sp.t.ppf(sp.norm.cdf(n_corr[z]),df)
    z_x=int(z/xdays)-1
    if (z%xdays)==0 and z_x<sample:
        r1[z_x]= sum(t_corr[z-10:z])
        r3[z_x]= sum(t_corr_2[z-10:z])    
    r2[z-xdays]= sum(t_corr[z-10:z])
    r4[z-xdays]= sum(t_corr_2[z-10:z])

请仔细检查一下;我把它扔掉了:)）

编译代码！

廉价/黑客修复实际上可以提供一些严重的好处！您可以尝试使用Cython将python代码编译为二进制文件。我实际上用一个人为的但并非不同的例子对你进行了测试，我希望能为你提供足够的信息。假设我有以下python脚本：

import math

for j in range(1000):
    for i in range(1000):
        a = math.sqrt(i) * math.sqrt(j)

使用python3 fast.py运行它在我的Ubuntu VM上实时持续.4s。运行以下内容：

$ cython3 --embed -o fast.c fast.py
$ gcc -I /usr/include/python3.4m/ -o fast fast.c -lpython3.4m

从我的python代码生成一个.c文件，并自动为我编译二进制文件fast。现在运行可执行文件给我的平均实时时间为.14秒 - 这是一个巨大的进步！

减少列表切片（编辑 - 没有帮助，这是NumPy切片而不是列表切片！）

另一个问题可能是你的列表切片。请记住，切片表示法涉及每次创建一个新列表，这意味着您要用四个切片创建~200,000,000个新列表。现在我不确定这会更快，但你可以在不复制的情况下实现相同的行为，例如：

sum(t_corr[z-10:z])

可以替换为

sum(t_coor[i] for i in range(z, 10))

~~再次，修正这是你真正想要的;这只是一个概念片。~~

请告诉我这是否有帮助！

如何提高下面的python代码的性能

1 个答案:

不需要的ifs

编译代码！

减少列表切片（编辑 - 没有帮助，这是NumPy切片而不是列表切片！）