Question

我发现程序中的瓶颈是从给定值列表中创建numpy数组，最常见的是将4个值放入2x2数组中。有一种明显的，易于阅读的方法：

my_array = numpy.array([[1, 3], [2.4, -1]])

需要15美元 - 非常慢，因为我已经做了数百万次。

然后有一种快得多，难以阅读的方式：

my_array = numpy.empty((2,2))
my_array[0,0] = 1
my_array[0,1] = 3
my_array[1,0] = 2.4
my_array[1,1] = -1

这快10倍，仅为1美元。

是否存在快速且易于阅读的方法？

到目前为止我尝试过：使用asarray代替array没有任何区别;将dtype=float传递给array也没有任何区别。最后，我明白我可以自己做：

def make_array_from_list(the_list, num_rows, num_cols):
    the_array = np.empty((num_rows, num_cols))
    for i in range(num_rows):
        for j in range(num_cols):
            the_array[i,j] = the_list[i][j]
    return the_array

这将在4us中创建数组，中速可读性（与上述两种方法相比）。但实际上，我无法相信使用内置方法没有更好的方法。

提前谢谢!!

Answer 1

这是一个很好的问题。我找不到任何可以接近完全展开的解决方案的速度的内容（编辑 @BiRico能够提出一些接近的东西。请参阅评论并更新 :)。以下是我（和其他人）提出的一系列不同选项以及相关时间：

import numpy as np

def f1():
    "np.array + nested lists"
    my_array = np.array([[1, 3], [2.4, -1]])

def f2():
    "np.array + nested tuples"
    my_array = np.array(((1, 3), (2.4, -1)))

def f3():
    "Completely unrolled"
    my_array = np.empty((2,2),dtype=float)
    my_array[0,0] = 1
    my_array[0,1] = 3
    my_array[1,0] = 2.4
    my_array[1,1] = -1

def f4():
    "empty + ravel + list"
    my_array = np.empty((2,2),dtype=float)
    my_array.ravel()[:] = [1,3,2.4,-1]

def f5():
    "empty + ravel + tuple"
    my_array = np.empty((2,2),dtype=float)
    my_array.ravel()[:] = (1,3,2.4,-1)

def f6():
    "empty + slice assignment"
    my_array = np.empty((2,2),dtype=float)
    my_array[0,:] = (1,3)
    my_array[1,:] = (2.4,-1)

def f7():
    "empty + index assignment"
    my_array = np.empty((2,2),dtype=float)
    my_array[0] = (1,3)
    my_array[1] = (2.4,-1)

def f8():
    "np.array + flat list + reshape"
    my_array = np.array([1, 3, 2.4, -1]).reshape((2,2))

def f9():
    "np.empty + ndarray.flat  (Pierre GM)"
    my_array = np.empty((2,2), dtype=float)
    my_array.flat = (1,3,2.4,-1)

def f10():
    "np.fromiter (Bi Roco)"
    my_array = np.fromiter((1,3,2.4,-1), dtype=float).reshape((2,2))

import timeit
results = {}
for i in range(1,11):
    func_name = 'f%d'%i
    my_import = 'from __main__ import %s'%func_name
    func_doc = globals()[func_name].__doc__
    results[func_name] = (timeit.timeit(func_name+'()',
                                        my_import,
                                        number=100000),
                          '\t'.join((func_name,func_doc)))

for result in sorted(results.values()):
    print '\t'.join(map(str,result))

重要时间：

在Ubuntu Linux上，Core i7：

0.158674955368  f3  Completely unrolled
0.225094795227  f10 np.fromiter (Bi Roco)
0.737828969955  f8  np.array + flat list + reshape
0.782918930054  f5  empty + ravel + tuple
0.786983013153  f9  np.empty + ndarray.flat  (Pierre GM)
0.814703941345  f4  empty + ravel + list
1.2375421524    f7  empty + index assignment
1.32230591774   f2  np.array + nested tuples
1.3752617836    f6  empty + slice assignment
1.39459013939   f1  np.array + nested lists

Answer 2

虽然显然是违反直觉的，但结果并不令人惊讶：NumPy并不是为处理大量非常小的阵列而设计的。相反，它旨在操纵更大的数据数组。

我建议首先创建一个大型数组N*2*2的大型数组，用数据填充它，然后将其重新整形为(N,2,2)。

作为旁注，您可能想尝试

def f10():
    mine = np.empty((2,2), dtype=float)
    mine.flat = (1,3,2.4,-1)

.flat方法应该比.ravel()[:]=...方法更有效率（我的个人测试显示它与@mgilson f3的顺序相同）。

从单个值构建一个小的numpy数组：快速可读的方法？

2 个答案: