Python 3

Question

我必须在R*C网格上进行大量的模拟。

这些模拟正在改变网格，所以我需要先复制我的参考网格，然后在新的网格上应用我的模拟功能。

在Python中执行此操作的最快方法是什么？

由于我没有在StackOverflow上找到类似的问题，我自己做了测试并决定在这里发布它们认为它们对其他人有用。

答案将是社区响应，以便其他人可以使用其他技术添加新的测量结果。

如果您添加其他方法，请记住测量所有旧测试并更新它们，因为时间取决于所使用的计算机，避免偏差结果。

Answer 1

我使用了一个bash变量来设置timeit测试：

setup="""
R = 100
C = 100
from copy import deepcopy
import numpy as np
ref = [[i for i in range(C)] for _ in range(R)]
ref_np = np.array(ref)
cp = [[100 for i in range(C)] for _ in range(R)]
cp_np = np.array(cp)
"""

为方便起见，我还设置了一个临时别名pybench：

alias pybench='python3.5 -m timeit -s "$setup" $1'

Python 3

Python 3.5.0+（默认，2015年10月11日，09：05：38）

<强> deepcopy的：

>>> pybench "cp = deepcopy(ref)"
100 loops, best of 3: 8.29 msec per loop

使用索引修改预先创建的数组：

>>> pybench \
"for y in range(R):
    for x in range(C):
        cp[y][x] = ref[y][x]"
1000 loops, best of 3: 1.16 msec per loop

嵌套列表理解：

>>> pybench "cp = [[x for x in row] for row in ref]"
1000 loops, best of 3: 390 usec per loop

<强>切片：

>>> pybench "cp = [row[:] for row in ref]"
10000 loops, best of 3: 45.8 usec per loop

NumPy copy：

>>> pybench "cp_np = np.copy(ref_np)"
100000 loops, best of 3: 6.03 usec per loop

复制到预先创建的NumPy数组：

>>> pybench "np.copyto(cp_np, ref_np)"
100000 loops, best of 3: 4.52 usec per loop

在这些结果中没有什么值得惊讶的，正如您可能已经猜到的那样，使用NumPy的速度要快得多，尤其是如果每次都避免创建新表。

Answer 2

为了补充 Delgan 的答案，numpy copy 的文档说使用 numpy.ndarray.copy 作为首选方法。所以现在，不做时序测试，我将使用 numpy.ndarray.copy

https://numpy.org/doc/stable/reference/generated/numpy.copy.html

https://numpy.org/doc/stable/reference/generated/numpy.ndarray.copy.html

在Python中复制2D数组的最快方法是什么？

2 个答案:

Python 3