Question

这是我的意思-a是1.000.000 np.int64个元素的向量，b是1.000.000 np.int16个元素的向量：

In [19]: a = np.random.randint(100, size=(10**6), dtype="int64")

In [20]: b = np.random.randint(100, size=(10**6), dtype="int16")

不同操作的时间：

In [23]: %timeit a + 1
4.48 ms ± 253 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [24]: %timeit b + 1
1.37 ms ± 14.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [25]: %timeit a / 10
5.77 ms ± 31.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [26]: %timeit b / 10
6.09 ms ± 70.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [27]: %timeit a * 10
4.52 ms ± 198 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [28]: %timeit b * 10
1.52 ms ± 12.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

当Numpy必须在内存中创建新的临时结果时，我可以理解这种差异-基础C代码必须在内存中复制/填充更多数据。

但是我无法理解在如下所示的地方分配值的这种区别：

In [21]: %timeit a[::2] = 111
409 µs ± 19 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [22]: %timeit b[::2] = 111
203 µs ± 112 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)

您是否知道为什么即使对于Numpy不必创建副本/视图的那些操作来说，它也会变慢？

Answer 1

从内存读取需要花费一些时间。写入内存需要花费一些时间。您读入的数据量是读数据的四倍，写的数据量是读数据的四倍，而写入内存的速度却快四倍，从而有效地进行了I / O绑定。 CPU的速度仅比内存快（随着时间的推移，速度比变得越来越高）。如果您要进行内存密集型工作，则较小的变量将运行得更快。

为什么使用dtype np.int64的操作要比使用np.int16的相同操作慢得多？

1 个答案: