爲什麼Numpy.array比獲取子列表的內建列表慢

我將改進我的代碼片段的性能，該代碼片段將經常以遞歸方式獲取子數組。爲什麼Numpy.array比獲取子列表的內建列表慢

所以我用numpy.array代替了內建列表。因爲，據我所知，在獲取子數組時，numpy.array不會複製原始列表。

但是當我改成numpy.array時，性能變差了。所以我想知道原因。謝謝！

以下是我的代碼片段，通過使用不同的對象，我得到了執行時間：

import timeit 
stat = ''' 
import numpy 
def func(a): 
    a[len(a)-1] += 1 
    if len(a) == 1: 
     return a[0] 
    else: 
     return func(a[1:len(a)]) 
a1=[1,2,3,4,5,6,7,8,9,10] 
a2=numpy.array([1,2,3,4,5,6,7,8,9,10]) 
''' 
if __name__ == "__main__": 
    print "Execution time with build-in list: {0}".format(timeit.timeit('func(a1)', setup = stat, number = 1000)) 
    print "Execution time with Numpy array: {0}".format(timeit.timeit('func(a2)', setup = stat, number = 1000))

而且在我的64位MAC（Python的2.7.6 + NumPy的1.8.0rc1）輸出：

Execution time with build-in list: 0.00507998466492 
Execution time with Numpy array: 0.0195469856262

來源

2015-04-23 AngelIW

它可能不會複製原始列表，但您仍然需要創建一個新的numpy數組，其中包含原始引用，這顯然比創建新列表更加昂貴。你可以嘗試用一個*很大的列表/數組來測試它。 – chepner

以chepner爲基礎，隨着數組大小的增加，時間如何變化？如果他的假設是正確的，那麼列表運行時不會發生顯着變化，但數組運行時會線性增加。 – WakkaDojo

@chepner看來你是對的。我測試和numpy陣列比內置列表大陣列更快。但是你能解釋爲什麼創建一個新的numpy數組引用比創建一個新列表顯然更昂貴嗎？ – AngelIW

感謝所有人的回答和對這個問題的評論，你已經顯示出寶貴的信息給我做出這個答案。

答案是這樣的。導致numpy數組在我的問題中表現不佳的原因是，訪問單個項目並在numpy數組上分配內置類型比在內置列表上慢。實際上，獲取numpy數組的子數組的性能比內置列表的性能增益確實存在。但是短陣列中的增益太小，例如在我的例子中len = 10的數組，所以小增益被丟失的是這行：a[len(a)-1] += 1其中我們訪問了單個項目並在內置類型int之間轉換。

下面的代碼證明了原因：

import numpy 
from timeit import timeit 
stat = ''' 
import numpy 
a1 = range(4000) 
a2 = numpy.array(a1) 
i = 0 
''' 
if __name__ == "__main__": 
    test_times = 1000 
    print '1. {0:.8f}'.format(timeit('a1[i]', setup = stat, number = test_times)) 
    print '2. {0:.8f}'.format(timeit('a2[i]', setup = stat, number = test_times)) 
    print '3. {0:.8f}'.format(timeit('i += a1[i]; ++i', setup = stat, number = test_times)) 
    print '4. {0:.8f}'.format(timeit('i += a2[i]; ++i', setup = stat, number = test_times)) 
    print '5. {0:.8f}'.format(timeit('a = a1[i:len(a1)]; ++i', setup = stat, number = test_times)) 
    print '6. {0:.8f}'.format(timeit('a = a2[i:len(a2)]; ++i', setup = stat, number = test_times))

運行結果在我的Mac是以下幾點：

1. 0.00005913 
2. 0.00017881 
3. 0.00008607 
4. 0.00084305 
5. 0.01492000 
6. 0.00053406

我們可以從以上結果得到這些：

1對2：訪問單個項目比內置列表時numpy的陣列較慢。
2比4：似乎需要數據轉換，這花費額外的時間，當在numpy的陣列內建類型（INT）項的分配數據。對於內置列表，花費的時間非常少。
5比6：numpy的取子陣列內置列表進行比較時，真正得救的時間。

來源

2015-04-26 16:25:24 AngelIW

，如果你修改的代碼的最後兩行，你會得到相同的執行時間如下：

print "Execution time with build-in list: {0}".format(timeit.timeit(
    'func(a1)', setup = stat, number = 1000), 'gc.enable()') 
print "Execution time with Numpy array: {0}".format(timeit.timeit(
    'func(a2)', setup = stat, number = 1000), 'gc.enable()')

在這兩種情況下，我們都允許 timeit開啓所謂的垃圾回收，即當內存不再使用時釋放內存的過程。上述修改返回，例如：

Execution time with build-in list: 0.00580596923828 
Execution time with Numpy array: 0.00822710990906

具有相同的數量級。根據文檔 timeit「默認情況下，它暫時關閉垃圾收集時間。這種方法的優點是它使獨立的時間更具可比性，這個缺點是垃圾收集可能是性能的重要組成部分被測量的功能「。

有一個很好的理解什麼方法，即有或沒有垃圾回收，應該使用什麼時候，什麼時候使用。另請注意，如果您應用時間模塊中的time.time（）塊，您將獲得更長的時間。

來源

2015-04-23 08:42:52 Pawel

你能解釋這兩個關於你的答案的問題嗎？ – AngelIW

1.你能解釋一下爲什麼GC可能會影響到消費的時間和他們花同時應用GC後的原因是什麼？ 2.爲什麼time.time（）會獲得更長的時間？ – AngelIW

爲什麼Numpy.array比獲取子列表的內建列表慢

回答

相關問題