几个月（或几年？）之前，我安装了一个非常低效的Numpy轮。因为，我避免使用计算包的轮子，而是喜欢构建它们或使用conda。
“非常低效”，我的意思是使用这个轮子的代码比平常慢10倍。我想这个Numpy没有设法正确使用系统上安装的Blas和/或Lapack实现（Debian）。见https://docs.scipy.org/doc/numpy/user/building.html
请注意，对于Linux，轮子是在旧的CentOS（https://github.com/pypa/manylinux）上构建的。
但是一般编译的Numpy（一个轮子）也可能比在机器上编译的Numpy效率低，因为它没有使用像march=native这样的选项进行编译，所以我猜它只使用最通用的处理器指令。
这就是为什么我认为当我们真正关心性能时，需要能够检查安装Numpy的速度有多快。
现在我尝试使用pyenv和pipenv，这看起来非常方便但是使用没有轮子的pipenv会非常缓慢和不方便。
我想知道Numpy（和其他计算软件包）的轮子有多高效。
请注意，我在Numpy和Scipy（https://docs.scipy.org/doc/numpy/user/install.html和https://scipy.org/install.html#installing-via-pip）的安装页面中找不到轮子的效率
我也想知道如何为Numpy装置做准备。我可以使用非常简单的代码（如
）进行基准测试import numpy as np
a = np.random.rand(1000)
%timeit a @ a
已经提出了一个好主意，但它只是对一个Numpy函数进行基准测试。
我没有发现任何非常简单的事情。例如，有https://github.com/numpy/numpy/tree/master/benchmarks，但需要下载Numpy源。我猜有些命令只使用已安装的Numpy。
有基准功能（例如np.lib.bench()或np.random.bench()），但文档不太清楚，我不明白如何使用它们。
总结一下，我的问题是（是的，2个问题，但它们密切相关，我不明白为什么它们应该分开）：
当我们关心性能时，依靠车轮（尤其是Numpy）是一个好习惯吗？它会比使用（例如）conda构建的Numpy慢吗？
是否有简单的命令来对Numpy安装进行基准测试并了解其整体性能？
答案 0 :(得分：1)
这实际上取决于你正在做什么样的数学运算。 PyPI上的轮子是用OpenBLAS构建的，而默认的conda包是使用MKL。两者之间的表现具有相当的竞争力。英特尔最近在一些低级别的东西上做了更多的工作，而conda包将从中受益，而车轮目前不会。
我们最近运行了您可能感兴趣的基准测试：https://www.anaconda.com/blog/developer-blog/improved-security-performance-in-anaconda-distribution-5/