Question

我正在尝试分析一些数据，为此我需要计算一个涉及两倍总和的数量。 python代码如下所示：

import numpy as np

tmax = 1000
array = np.random.rand(tmax)

tstart = 500

meanA = np.mean(array[tstart:])

quantity = np.zeros(tmax-tstart)
for f in range(1,tmax-tstart,1):
    count = 0
    integrand = 0

    for ff in range(tstart+1,tmax-f):
            count += 1
            dAt = array[ff] - meanA
            dAtt = array[ff:ff+f+1] - meanA
            integrand += np.sum(dAt * dAtt)

    if count != 0:
            integrand /= f*count
            quantity[f] = integrand

这大约需要1.5s才能运行。这比MATLAB进行相同计算所需的时间多10倍：

tic;
tmax = 1000;
tstart = 500;

array = rand(1,tmax);
meanA = mean(array(tstart:tmax));
quantity = zeros(1,tmax);

for f=1:tmax-tstart
    integrand = 0;
    count = 0;
    for ff=tstart:tmax-f
    count = count + 1;
    dAt = array(ff)-meanA;
    dAtt = array(ff:ff+f)-meanA;
    integrand = integrand + sum(dAt*dAtt);
end
integrand = integrand/(f*count);
autocorr(f) = integrand;
end

toc

输出：

>> speedTest
Elapsed time is 0.096789 seconds.

为什么我的python脚本这么慢？如何使它像MATLAB脚本一样运行？（是的，出于多种其他原因，我必须在python中执行此操作）

请注意，实际数据与>10,000个元素的数组大小相对应，因此随着触发器的数量与元素的数量成正比地增加，时间的差异就变得非常大。

编辑：

我尝试不使用numpy（随机数生成除外）而仅使用列表进行了相同的操作：

import numpy as np

tmax = 1000
array = np.random.rand(tmax)

array = list(array)

tstart = 500

meanA = sum((array[tstart:]))/len(array[tstart:])

quantity = [0] * (tmax-tstart)
for f in range(1,tmax-tstart,1):
    count = 0
    integrand = 0

    for ff in range(tstart+1,tmax-f):
            count += 1
            dAt = array[ff] - meanA
            dAtt = array[ff:ff+f+1] - meanA
            try:
                    integrand += sum([dAt * i for i in dAtt])
            except:
                    integrand += dAt * dAtt
    if count != 0:
            integrand /= f*count
            quantity[f] = integrand

结果是：

$ time python3 speedAutoCorr2.py

real    0m6.510s
user    0m6.731s
sys     0m0.123s

这比numpy的情况还要糟糕。

与Python相比，为什么双循环在python中显着慢？

0 个答案: