Question

我有一个由基本数学函数（abs，cosh，sinh，exp，...）组合定义的函数。

我想知道它是否有所作为（速度）使用，例如， numpy.abs()代替abs()？

Answer 1

以下是时间安排结果：

lebigot@weinberg ~ % python -m timeit 'abs(3.15)' 
10000000 loops, best of 3: 0.146 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'from numpy import abs as nabs' 'nabs(3.15)'
100000 loops, best of 3: 3.92 usec per loop

numpy.abs()比abs()慢，因为它还处理Numpy数组：它包含提供这种灵活性的其他代码。

但是，Numpy 在数组上快：

lebigot@weinberg ~ % python -m timeit -s 'a = [3.15]*1000' '[abs(x) for x in a]'
10000 loops, best of 3: 186 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'import numpy; a = numpy.empty(1000); a.fill(3.15)' 'numpy.abs(a)'
100000 loops, best of 3: 6.47 usec per loop

（PS：'[abs(x) for x in a]'在Python 2.7中比较好的map(abs, a)慢，大约快30％ - 这仍然比NumPy慢得多。）

因此，numpy.abs() 1000个元素的时间不比1个单个浮点数多！

Answer 2

你应该使用numpy函数来处理numpy的类型，并使用常规的python函数来处理常规的python类型。

由于类型转换，在将python内置函数与numpy混合时通常会出现性能最差的情况。这些类型转换最近已经过优化，但最好不要使用它们。当然，您的里程可能会有所不同，因此请使用分析工具来确定。

如果您想进一步优化您的程序，还可以考虑使用cython等程序或制作C模块。或者考虑在表演很重要时不使用python。

但是，当你的数据被放入一个numpy数组时，numpy可以非常快地计算数据量。

Answer 3

实际上，在numpy数组上

内置abs通过__abs__调用numpy的实现，请参阅Why built-in functions like abs works on numpy array?

因此，理论上应该没有太大的性能差异。

import timeit

x = np.random.standard_normal(10000)

def pure_abs():
    return abs(x)

def numpy_abs():
    return np.absolute(x)

n = 10000

t1 = timeit.timeit(pure_abs, number = n)
print 'Pure Python abs:', t1
t2 = timeit.timeit(numpy_abs, number = n)
print 'Numpy abs:', t2
Pure Python abs: 0.435754060745
Numpy abs: 0.426516056061

NumPy数学函数比Python更快吗？

3 个答案: