我计划在我正在撰写的一些数字密集的科学代码中广泛使用xarray。到目前为止,它使代码非常优雅,但我认为我将不得不放弃它,因为性能成本太高。
这是一个例子,它创建了两个数组,并使用xarray(带有几个索引方案)和numpy将它们的一部分相乘。我使用num_comp = 2和num_x = 10000:
Line # Hits Time Per Hit % Time Line Contents
4 @profile
5 def xr_timing(num_comp, num_x):
6 1 4112 4112.0 10.1 da1 = xr.DataArray(np.random.random([num_comp, num_x]).astype(np.float32), dims=['component', 'x'], coords={'component': ['a', 'b'], 'x': np.linspace(0, 1, num_x)})
7 1 438 438.0 1.1 da2 = da1.copy()
8 1 1398 1398.0 3.4 da2[:] = np.random.random([num_comp, num_x]).astype(np.float32)
9 1 7148 7148.0 17.6 da3 = da1.isel(component=0).drop('component') * da2.isel(component=0).drop('component')
10 1 6298 6298.0 15.5 da4 = da1[dict(component=0)].drop('component') * da2[dict(component=0)].drop('component')
11 1 7541 7541.0 18.6 da5 = da1.sel(component='a').drop('component') * da2.sel(component='a').drop('component')
12 1 7184 7184.0 17.7 da6 = da1.loc[dict(component='a')].drop('component') * da2.loc[dict(component='a')].drop('component')
13 1 6479 6479.0 16.0 da7 = da1[0, :].drop('component') * da2[0, :].drop('component')
15 @profile
16 def np_timing(num_comp, num_x):
17 1 1027 1027.0 50.2 da1 = np.random.random([num_comp, num_x]).astype(np.float32)
18 1 977 977.0 47.8 da2 = np.random.random([num_comp, num_x]).astype(np.float32)
19 1 41 41.0 2.0 da3 = da1[0, :] * da2[0, :]
最快的xarray乘法大约需要numpy版本的150倍。这只是我的代码中的一个操作,但是我发现它们中的大多数比numpy等价物慢很多,这是不幸的,因为xarray使代码更加清晰。我做错了吗?
更新:即使是da1 [0,:]。values * da2 [0,:]。值(这会失去使用xarray的许多好处)需要2464个时间单位。
我使用的是xarray 0.9.6,pandas 0.21.0,numpy 1.13.3和Python 3.5.2。
更新2: 根据@Maximilian的要求,这里重新运行num_x = 1000000:
Line # Hits Time Per Hit % Time Line Contents
# xarray
9 5 408596 81719.2 11.3 da3 = da1.isel(component=0).drop('component') * da2.isel(component=0).drop('component')
10 5 407003 81400.6 11.3 da4 = da1[dict(component=0)].drop('component') * da2[dict(component=0)].drop('component')
11 5 411248 82249.6 11.4 da5 = da1.sel(component='a').drop('component') * da2.sel(component='a').drop('component')
12 5 411730 82346.0 11.4 da6 = da1.loc[dict(component='a')].drop('component') * da2.loc[dict(component='a')].drop('component')
13 5 406757 81351.4 11.3 da7 = da1[0, :].drop('component') * da2[0, :].drop('component')
14 5 48800 9760.0 1.4 da8 = da1[0, :].values * da2[0, :].values
# numpy
20 5 37476 7495.2 2.9 da3 = da1[0, :] * da2[0, :]
性能差异已经大大减少,正如预期的那样(现在只减慢了约10倍),但我仍然很高兴在下一版本的文档中会提到这个问题,因为即使这样的差异可能会让一些人感到惊讶。 / p>
答案 0 :(得分:4)
是的,这是xarray的已知限制。对于xarray而言,使用小型数组的性能敏感代码比NumPy慢得多。我在下一版本的文档中写了一篇关于这个的新章节: http://xarray.pydata.org/en/stable/computation.html#wrapping-custom-computation
您基本上有两个选择:
apply_ufunc
),这使得它更容易一些。如果您对此感兴趣,请参阅上面的链接。我认为选项3是用C ++重写xarray本身(例如,在xtensor之上),但这将涉及更多!