返回新数组和修改传入数组的性能

Question

[Related]

在下面的快照中，我比较了

的速度

• 通过切片分配修改现有数组
• 刚刚返回一个新的，修改过的数组

似乎后者更快。为什么会出现这种情况？

---

编辑：更新了建议，以及使用numpy的矢量化add()的版本，现在是最快的。

Answer 1

我对python / numpy内部结构了解不多，但这是我假设发生的事情。通过查看代码，我得到的结论是finline的工作量超过freturn，因为finline包含freturn所做的所有陈述（x + 1.0等等。

也许这解释了发生了什么：

>>> x = np.random.rand(N)
>>> y = np.zeros(N)
>>> super(np.ndarray, y).__repr__()
Out[33]: '<numpy.ndarray object at 0x24c9c80>'
>>> finline(x, y)
>>> y     # see that y was modified
Out[35]: 
array([ 1.92772158,  1.47729293,  1.96549695, ...,  1.37821499,
        1.8672971 ,  1.17013856])
>>> super(np.ndarray, y).__repr__()
Out[36]: '<numpy.ndarray object at 0x24c9c80>'  # address of y did not change
>>> y = freturn(x)
>>> super(np.ndarray, y).__repr__()
Out[38]: '<numpy.ndarray object at 0x24c9fc0>'  # address of y changed

基本上，我认为finline正在做更多工作，因为它必须迭代y的元素并将它们中的每一个初始化为x + 1.0操作返回的数组。另一方面，y = freturn(x)可能只是将y指针的值重新初始化为等于x + 1.0操作初始化的数组的地址。

Answer 2

• x + 1将创建一个新数组。
• y[:] = x + 1：创建一个新数组并将所有数据复制到y
• y = x + 1：创建一个新数组并将名称y绑定到此新数组。
• np.add(x, 1, out=y)：不要创建新阵列，它是最快的。

以下是代码：

x = np.zeros(1000000)
y = np.zeros_like(x)
%timeit x + 1
%timeit y[:] = x + 1
%timeit np.add(x, 1, out=y)

输出：

100 loops, best of 3: 4.2 ms per loop
100 loops, best of 3: 6.83 ms per loop
100 loops, best of 3: 2.5 ms per loop