Question

令我惊讶的是，我发现，对NumPy结构化数组的读取和写入似乎与数组的大小呈线性关系。

由于这似乎非常错误，我想知道，如果我在这里做错了或者可能有错误。

以下是一些示例代码：

def test():
    A = np.zeros(1, dtype=[('a', np.int16), ('b', np.int16, (1,100))])
    B = np.zeros(1, dtype=[('a', np.int16), ('b', np.int16, (1,10000))])

    C = [{'a':0, 'b':[0 for i in xrange(100)]}]
    D = [{'a':0, 'b':[0 for i in xrange(10000)]}]

    for i in range(100):
        A[0]['a'] = 1
        B[0]['a'] = 1

        B['a'][0] = 1 
        x = A[0]['a']
        x = B[0]['a']

        C[0]['a'] = 1
        D[0]['a'] = 1

线性分析给出以下结果：

Total time: 5.28901 s,    Timer unit: 1e-06 s
Function: test at line 454


Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
   454                                           @profile
   455                                           def test():
   456                                              
   457         1           10     10.0      0.0     A = np.zeros(1, dtype=[('a', np.int16), ('b', np.int16, (1,100))])
   458         1           13     13.0      0.0     B = np.zeros(1, dtype=[('a', np.int16), ('b', np.int16, (1,10000))])
   459                                           
   460       101           39      0.4      0.0     C = [{'a':0, 'b':[0 for i in xrange(100)]}]
   461     10001         3496      0.3      0.1     D = [{'a':0, 'b':[0 for i in xrange(10000)]}]
   462                                           
   463       101           54      0.5      0.0     for i in range(100):
   464       100        20739    207.4      0.4         A[0]['a'] = 1
   465       100      1741699  17417.0     32.9         B[0]['a'] = 1
   466                                                  
   467       100      1742374  17423.7     32.9         B['a'][0] = 1 
   468       100        20750    207.5      0.4         x = A[0]['a']
   469       100      1759634  17596.3     33.3         x = B[0]['a']
   470                                           
   471       100          123      1.2      0.0         C[0]['a'] = 1
   472       100           76      0.8      0.0         D[0]['a'] = 1

正如您所看到的，我甚至无法访问更大的阵列（尽管10.000的大小实际上非常小......）。 BTW：shape =（10000,1）而不是（1,10000）的行为相同。

任何想法？

将结构化数组解释为dicts列表，并与内置函数进行比较，存在与大小无关的预期计算成本（参见C和D）

NumPy Ver。 1.10.1。

Answer 1

这是一个known issue，在NumPy 1.10.1上有结构化数组。问题日志中的对话似乎表明它已修复所有更新的NumPy版本，包括1.10.2和1.11.0。

更新NumPy会使问题消失。

Answer 2

timeit ipython A B和In [30]: timeit A[0]['a']=1 1000000 loops, best of 3: 1.9 µs per loop In [31]: timeit B[0]['a']=1 1000000 loops, best of 3: 1.87 µs per loop In [32]: timeit B['a'][0]=1 1000000 loops, best of 3: 554 ns per loop In [33]: timeit x=A[0]['a'] 1000000 loops, best of 3: 1.74 µs per loop In [34]: timeit x=B[0]['a'] 1000000 loops, best of 3: 1.73 µs per loop

基本相同

即使我用100条记录创建In [39]: timeit B['a']=1 # set 100 values at once 1000000 loops, best of 3: 1.08 µs per loop In [40]: timeit B['a'][10]=1 1000000 loops, best of 3: 540 ns per loop In [41]: B.shape # 2Mb size Out[41]: (100,)，时间也不会改变

In [46]: B['b'].shape
Out[46]: (100, 1, 10000)

In [47]: B['b'][:,:,:100]=1

In [48]: timeit B['b'][:,:,:100]=1
100000 loops, best of 3: 10.7 µs per loop

In [49]: B['b'].sum()
Out[49]: 10000

In [50]: np.__version__
Out[50]: '1.11.0'

即使设置'b'字段的10000值也不贵

$('select').select2();
$('select').prop("disabled", true);
$('select').eq(0).prop("disabled", false);
$('select').on('select2:select', function(e) {
  var index = $(this).index('select');
  $('select').eq(index + 1).prop("disabled", false); // remove disabled prop from next select
});

读/写NumPy结构化阵列非常慢，线性尺寸慢

2 个答案: