Question

我使用随机数生成一个大矩阵（100x100，我们称之为X），使用numpy.matrix（）以便我有一个numpy.ndarray。

我一直想知道这两个操作之间是否有任何区别：

的 numpy.transpose（X）
的 X.T

我已经在一个范围为1000的循环中测量了每个操作的时间，并且似乎 XT 明显快于 numpy.transpose（X）

添加了基准：

对于100x100矩阵，我使用 X.T 和 numpy.tranpose（X）

在10.000范围循环中：

7421 / 10.000： X.T 最快
1256 / 10.000： numpy.transpose（X）最快
1323 / 10.000：相同的计算时间或差异太小而无法确定

添加了以下代码

    import numpy as np
    import time

    np_transpose_count = 0
    T_transpose_count = 0
    equal_count = 0

    for i in range(10000):
       Se = np.random.rand(100,100)

       tic1 =time.clock()
       ST_T = Se.T
       toc1=time.clock()

       tic2 =time.clock()
       ST_np = np.transpose(Se)
       toc2=time.clock()

       if (toc1-tic1) < (toc2-tic2):
           T_transpose_count+=1
       elif (toc1-tic1) > (toc2-tic2):
           np_transpose_count+=1
       else:
           equal_count+=1

    print(T_transpose_count, np_transpose_count, equal_count)

祝你好运呼呼

Answer 1

使用Ipython %timeit魔法我得到：

In [218]: X=np.ones((100,100))

In [219]: timeit X.T
1000000 loops, best of 3: 379 ns per loop

In [220]: timeit X.transpose()
1000000 loops, best of 3: 470 ns per loop

In [221]: timeit np.transpose(X)
1000000 loops, best of 3: 993 ns per loop

In [222]: timeit X+1
10000 loops, best of 3: 21.6 µs per loop

所以是的，.T是最快的，功能最慢。但是将这些时间与简单添加的时间进行比较

或副本或切片

In [223]: timeit X.copy()
100000 loops, best of 3: 10.8 µs per loop

In [224]: timeit X[:]
1000000 loops, best of 3: 465 ns per loop

以其所有形式进行转置，返回一个新的数组对象，使用新的shape和strides，但使用共享数据缓冲区（查看.__array_interface__字典以查看）。因此，与返回view的其他操作大致相同。但是没有一个转置函数可以复制数据或通过它进行迭代。所以时间差异只是呼唤头脑的结果。

再次使用ipython magic

np.transpose??
def transpose(a, axes=None):
    try:
        transpose = a.transpose
    except AttributeError:
        return _wrapit(a, 'transpose', axes)
    return transpose(axes)

因此np.function(X)最终会调用X.transpose()。

我必须查看numpy代码，但我记得.T是attribute实现的（与property不完全相同）。我怀疑它更快，因为它不使用axes参数，因此保存了一两个C函数调用。

python中转置函数的差异

1 个答案: