我正在尝试计算值对的出现次数。运行以下代码时,numpy版本(pairs_frequency2)比依赖collections.Counter的版本慢50%以上(点数增加时,情况会更糟)。有人可以解释原因。
是否可以进行numpy重写以获得更好的性能?
谢谢。
import numpy as np
from collections import Counter
def pairs_frequency(x, y):
counts = Counter(zip(x, y))
res = np.array([[f, a, b] for ((a, b), f) in counts.items()])
return res[:, 0], res[:, 1], res[:, 2]
def pairs_frequency2(x, y):
unique, counts = np.unique(np.column_stack((x,y)), axis=0, return_counts=True)
return counts, unique[:,0], unique[:,1]
x = np.random.randint(low=1, high=11, size=50000)
y = x + np.random.randint(1, 5, size=x.size)
%timeit pairs_frequency(x, y)
%timeit pairs_frequency2(x, y)
答案 0 :(得分:1)
numpy.unique
对其参数进行排序,因此其时间复杂度为O(n * log(n))。看起来Counter
类可能是O(n)。
如果数组中的值是不是太大的非负整数,则此版本非常快:
def pairs_frequency3(x, y, maxval=15):
z = maxval*x + y
counts = np.bincount(z)
pos = counts.nonzero()[0]
ux, uy = np.divmod(pos, maxval)
return counts[pos], ux, uy
将maxval
设置为1加上x
和y
中的最大值。 (您可以删除参数,然后添加代码以在函数中找到最大值。)
计时({x
和y
是在问题中生成的):
In [13]: %timeit pairs_frequency(x, y)
13.8 ms ± 77.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [14]: %timeit pairs_frequency2(x, y)
32.9 ms ± 631 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [15]: %timeit pairs_frequency3(x, y)
129 µs ± 1.03 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
请注意第三个结果的时间单位的变化。
pairs_frequency3
以与pairs_frequency2
相同的顺序返回数组,因此很容易验证它们是否返回相同的值:
In [26]: counts2, x2, y2 = pairs_frequency2(x, y)
In [27]: counts3, x3, y3 = pairs_frequency3(x, y)
In [28]: np.all(counts2 == counts3) and np.all(x2 == x3) and np.all(y2 == y3)
Out[28]: True