Question

基本上我需要的是最终结果：

import numpy as np

class A:
    def __init__(self, dim):
        self.b = np.zeros(dim)

def add_to_a(a, value):
    a.b += value

dim = 10000
value1 = np.random.rand(dim)    
a = A(dim)

%%timeit add_to_a(a, value1)
100000 loops, best of 3: 9.64 us per loop

但是，我更喜欢在函数外部更改 a ，主要是为了清晰起见，还因为我已经理解良好的编程风格避免了函数导致副作用。所以，我可以这样做：

def dont_add(dim, value):
    c = np.zeros(dim)
    c += value
    return c

%%timeit a.b += dont_add(dim, value1)
10000 loops, best of 3: 25.8 us per loop

显然，性能的下降是显着的（我将把它作为一个大循环的一部分运行）。我假设这是因为函数内的numpy数组初始化，所以我尝试了这个：

d = np.empty(dim)
def dont_add2(d, value):
    d.fill(0)
    d+=value
    return d

%%timeit a.b += dont_add2(d, value1)
10000 loops, best of 3: 26.3 us per loop

更糟糕的是。

是否有更有效的方法让函数返回一个numpy数组？或者我应该接受在函数中更改我的实例变量？（实际函数接受两个完全不同的类的两个实例并修改第三个类;因此是函数而不是方法。此外，添加的值是在函数内计算的向量。）

高效的numpy数组初始化，以避免副作用？

0 个答案: