使用python和numpy進行簡單到中等計算的有效方法

假設幾次被稱爲多次的函數。這些函數在3d矢量（1x3數組）上執行諸如乘法，除法，加法等操作。使用python和numpy進行簡單到中等計算的有效方法

考慮：

import numpy as np 
import math 
x = [0,1,2] 
y = [3,2,1] 
a = 1.2

根據我的測試，它是更快的Python數學庫做：

math.sin(a)

比numpy的做：

np.sin(a)

此外，使用中討論的方法，python比np.linalg.norm更簡單的算法（如標準化）更快。

現在，如果我們爲數據添加一些複雜性，比如對3d執行矩陣乘法，那麼我們有一個3x3的旋轉矩陣，然後乘以另一個矩陣並進行轉置，numpy開始獲得優勢。

目前，比如做業務：

L = math.sqrt(V[0] * V[0] + V[1] * V[1] + V[2] * V[2]) 
V = (V[0]/L, V[1]/L, V[2]/L)

快得多一再呼籲的時候（我從沒有開銷承擔創建numpy的陣列）。

但是，爲了使用numpy矩陣函數，數組需要是numpy。使用np.asarray（）具有很大的開銷，這使得根本不使用numpy之間的效率邊界，接受創建數組的開銷，或接受標量上的numpy數學函數的效率並僅使用numpy。

當然，我可以嘗試所有這些方法，但在大型算法中，可能的組合太多了。在這種情況下是否有任何策略能夠在python和numpy之間高效切換？

編輯：從一些評論看來，這個問題似乎還不夠清楚。我知道numpy對大套裝更有效率，這就是爲什麼這個問題存在。該算法不只是計算正弦。下面的代碼可能更容易理解：

x = [2,1,2] 
math.sin(x[0]) 
L = math.sqrt(x[0] * x[0] + x[1] * x[1] + x[2] * x[2]) 
V = (x[0]/L, x[1]/L, x[2]/L) 
math.sin(V[0]) 
#Do something else here

來源

2015-03-02 user1938107

您是如何比較執行速度的？如果你使用矢量化（因爲你總是應該用numpy，也就是說，而不是運行'np.sin（a）'幾千次，運行'np.sin（np.repeat（1.2，1000））'一次），我懷疑它是比Python自己的「數學」慢。 – Phillip 2015-03-02 08:55:33

@Phillip我用timeit， – user1938107 2015-03-02 09:01:38

timeit.timeit（'import numpy as np; import math; math.sin（234.2343），100000'）並在math.sin和np.sin之間切換 – user1938107 2015-03-02 09:02:21

-1

當單值和小陣列工作時，np.array開銷肯定會減慢速度相比，使用math.等價物。但有了很多價值，陣列方法很快就會變得更好。

例如，在Ipython我可以一次sin 50個值：

In [444]: %%timeit x=np.arange(50) 
np.sin(x) 
100000 loops, best of 3: 8.5 us per loop 

In [445]: %%timeit x=range(50) 
[math.sin(i) for i in x] 
100000 loops, best of 3: 18.1 us per loop

你V計算比

Va=Va/math.sqrt((Va*Va).sum())

快20倍，但如果我這樣做對20組值，時代幾乎相等。我不必改變表達式來處理Va=np.ones((20,3), float)。要定時你的V我不得不把它包裝在一個功能和時間[foo(i) for i in V]。

你甚至可以通過僅索引一次來獲得更多的速度，例如，

v1, v2, v3 = V 
L = math.sqrt(v1*v1+ v2*v2+v3*v3) 
V = (v1/L, v2/L, v3/L)

當使用數組而不是列表時，我希望獲得更多的收益。

來源

2015-03-02 17:50:25 hpaulj

使用python和numpy進行簡單到中等計算的有效方法

回答

相關問題