Question

numpy.divide 与Python斜杠 / 运算符之间有什么相同点和不同点？据我所知，他们的行为相同，都实现了元素划分。 Numpy documentation提及：

numpy.divide（x1，x2）......就阵列广播而言，相当于x1 / x2。 ...

暗示np.divide（x1，x2）不是完全等同于x1 / x2。我运行了以下代码片段来比较它们的速度：

import numpy as np
import time

a = np.random.rand(10000, 10000)
b = np.random.rand(10000, 10000)

tic = time.time()
c = a / b
toc = time.time()
print("Python divide took: ", toc - tic)

tic = time.time()
c = np.divide(a, b)
toc = time.time()
print("Numpy divide took: ", toc - tic)

似乎Python差距通常更快，这使我相信Numpy鸿沟实现了一些额外的花里胡哨。

非常感谢任何帮助！

Answer 1

这里似乎没有任何实际的性能差异。

当我运行你的代码并交换这两个测试时，无论哪一个更快，都会更快。

当我使用timeit进行正确的基准测试时，他们需要大约相同的时间（/为540毫秒，divide为539毫秒。）

我的猜测是你测量的差异是malloc数组的时间 - 第一个需要这样做，第二个可以重用刚刚释放的内存。

但是让我们来看看来源。 generate_umath.py中的代码会创建实际代码，并将相同的Ufunc（名为numpy.core.umath.divide）分配给np.floor_divide，并PyNumber_FloorDivide分配给np.ndarray }}。（如果您想知道我在使用floor_divide和divide而不是/和floor_divide时查询//的原因，请参阅后面的评论它会为Python 3删除divide，因为它会将其别名为true_divide。）IIRC，实际代码是类型和大小的切换，最终会在{{3}中的一个循环模板中结束}}

因此，除了显式Ufunc包装器代码与内置method-wrapper包装器代码（它与任何不小的数组无关）之间的差异之外，它们最终会在同一个地方。

Numpy鸿沟与Python鸿沟之间的差异？

1 个答案: