纯python比numpy更快的数据类型转换 - python

请原谅我的无知。

如果numpy提供向量化运算以加快计算速度，那么对于数据类型转换而言，纯python的速度几乎快8倍吗？

例如

a = np.random.randint(0,500,100).astype(str)
b = np.random.randint(0,500,100).astype(str)
c = np.random.randint(0,500,100).astype(str)

def A(a,b,c):
    for i,j,k in zip(a,b,c):
        d,e,f = int(i), int(j), int(k)
        r = d+e-f
    return 

def B(a,b,c):
    for i,j,k in zip(a,b,c):
        d,e,f  = np.array([i,j,k]).astype(int)
        r = d+e-f
    return 

然后，

%%timeit 
A(a,b,c)

每个回路249 µs±3.13 µs(平均±标准偏差，共运行7次，每个回路1000个)

%%timeit
B(a,b,c)

每个循环1.87 ms±4.08 µs(平均±标准偏差，共运行7次，每个循环1000个)

谢谢，
爱丽儿

参考方案

是的，NumPy确实提供矢量化运算，这些运算使计算速度比原始Python代码更快。但是，您没有使用它们。

NumPy旨在跨整个数据集执行操作，跨数据集块执行的重复操作不多。后者导致迭代在Python级别完成，这将增加运行时间。

您的主要问题是，您使用的唯一“矢量化”操作是astype，但是您一次将其应用于三个元素，并且仍然像幼稚的Python解决方案一样循环。再加上在循环的每次迭代中创建numpy数组会产生额外开销的事实，难怪您使用numpy的尝试会更慢。

在小型数据集上，Python可能会更快，因为NumPy会产生创建数组，将对象与低级库之间来回传递等操作的开销。让我们来看看一下一次在三个元素上使用的强制转换操作:

%timeit np.array(['1', '2', '3']).astype(int)
5.25 µs ± 89.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%timeit np.array(['1', '2', '3'])
1.62 µs ± 42.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

超过四分之一的运行时间仅来自于分配数组!将此与您的纯Python版本进行比较:

%timeit a, b, c = int('1'), int('2'), int('3')
659 ns ± 50.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

因此，如果仅对这种大小的块进行操作，Python将击败NumPy。

但是，除了三个元素之外，您还有更多的元素，因此NumPy可以用来极大地加快代码的速度，但是您需要改变对解决问题的态度。与其着重于如何将运算应用于单个标量，不如考虑如何将其应用于数组。

为了解决这个问题，总体思路是:

创建一个包含所有值的单个数组

通过一次int调用将整个数组转换为astype。

提前进行逐元素运算，以将所需的算术应用于数组。

最终看起来像这样:

def vectorized(a, b, c):
    u = np.array([a, b, c]).astype(int)
    return u[0] + u[1] - u[2]

一旦比较了正确使用NumPy的两种方法，您将开始看到性能大幅提高。

def python_loop(a, b, c):
    out = []
    for i,j,k in zip(a,b,c):
        d,e,f = int(i), int(j), int(k)
        out.append(d+e-f)
    return out

a, b, c = np.random.randint(0, 500, (3, 100_000)).astype(str)

In [255]: %timeit vectorized(a, b, c)
181 ms ± 6.07 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [256]: %timeit python_loop(a, b, c)
206 ms ± 7.97 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> np.array_equal(python_loop(a, b, c), vectorized(a, b, c))
True

从字符串转换为整数并不意味着NumPy会比纯Python快得多，从时间上可以看出，两者相当接近。但是，通过应用矢量化方法，比较至少要公平得多。

在返回'Response'(Python)中传递多个参数 - python

我在Angular工作，正在使用Http请求和响应。是否可以在“响应”中发送多个参数。角度文件：this.http.get("api/agent/applicationaware").subscribe((data:any)... python文件：def get(request): ... return Response(seriali…

Python exchangelib在子文件夹中读取邮件 - python

我想从Outlook邮箱的子文件夹中读取邮件。Inbox ├──myfolder 我可以使用account.inbox.all()阅读收件箱，但我想阅读myfolder中的邮件我尝试了此页面folder部分中的内容，但无法正确完成https://pypi.python.org/pypi/exchangelib/ 参考方案 您需要首先掌握Folder的myfo…

R'relaimpo'软件包的Python端口 - python

我需要计算Lindeman-Merenda-Gold（LMG）分数，以进行回归分析。我发现R语言的relaimpo包下有该文件。不幸的是，我对R没有任何经验。我检查了互联网，但找不到。这个程序包有python端口吗？如果不存在，是否可以通过python使用该包？ python参考方案 最近，我遇到了pingouin库。

Python ThreadPoolExecutor抑制异常 - python

from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED def div_zero(x): print('In div_zero') return x / 0 with ThreadPoolExecutor(max_workers=4) as execut…

Python GPU资源利用 - python

我有一个Python脚本在某些深度学习模型上运行推理。有什么办法可以找出GPU资源的利用率水平？例如，使用着色器，float16乘法器等。我似乎在网上找不到太多有关这些GPU资源的文档。谢谢！ 参考方案 您可以尝试在像Renderdoc这样的GPU分析器中运行pyxthon应用程序。它将分析您的跑步情况。您将能够获得有关已使用资源，已用缓冲区，不同渲染状态上…