我正在尝试编写一个对数组执行数学运算并返回结果的函数。一个简化的例子可能是：
def original_func(A):
return A[1:] + A[:-1]
为了加速并避免为每个函数调用分配一个新的输出数组，我想将输出数组作为参数，并在适当的位置改变它：
def inplace_func(A, out):
out[:] = A[1:] + A[:-1]
但是，以下列方式调用这两个函数时，
A = numpy.random.rand(1000,1000)
out = numpy.empty((999,1000))
C = original_func(A)
inplace_func(A, out)
原始函数似乎是就地函数的两倍。怎么解释这个？就地功能不应该更快，因为它不必分配内存吗？
答案 0 :(得分：12)
如果您想就地执行操作，请执行
def inplace_func(A, out):
np.add(A[1:], A[:-1], out)
这不会创建任何临时值（A[1:] + A[:-1]）。
所有Numpy二进制操作都有相应的功能，请在此处查看列表：http://docs.scipy.org/doc/numpy/reference/ufuncs.html#available-ufuncs
答案 1 :(得分：5)
我认为答案如下：
在这两种情况下，您都计算A[1:] + A[:-1]，在这两种情况下，您实际上都会创建一个中间矩阵。
在第二种情况下会发生的事情是，显式将整个新分配的大数组复制到保留的内存中。复制这样的数组大约需要与原始操作相同的时间，所以实际上你的时间加倍。
总而言之，在第一种情况下，您可以：
compute A[1:] + A[:-1] (~10ms)
在第二种情况下，你做
compute A[1:] + A[:-1] (~10ms)
copy the result into out (~10ms)
答案 2 :(得分：-1)
我同意Olivers的解释。如果要在本地执行操作，则必须手动遍历阵列。这会慢很多，但是如果你需要速度，你可以使用Cython，它可以提供纯C实现的速度。