Python的總和與NumPy的numpy.sum

使用Python的原生sum函數和NumPy的numpy.sum之間的性能和行爲有什麼區別？ sum適用於NumPy的數組，numpy.sum適用於Python列表，它們都返回相同的有效結果（未測試溢出等邊緣情況），但返回不同的類型。Python的總和與NumPy的numpy.sum

>>> import numpy as np 
>>> np_a = np.array(range(5)) 
>>> np_a 
array([0, 1, 2, 3, 4]) 
>>> type(np_a) 
<class 'numpy.ndarray') 

>>> py_a = list(range(5)) 
>>> py_a 
[0, 1, 2, 3, 4] 
>>> type(py_a) 
<class 'list'> 

# The numerical answer (10) is the same for the following sums: 
>>> type(np.sum(np_a)) 
<class 'numpy.int32'> 
>>> type(sum(np_a)) 
<class 'numpy.int32'> 
>>> type(np.sum(py_a)) 
<class 'numpy.int32'> 
>>> type(sum(py_a)) 
<class 'int'>

編輯：我想我實際的問題，這裏將使用numpy.sum的Python整數列表上是比任何使用Python的sum更快？

此外，使用Python整數與標量numpy.int32的含義（包括性能）是什麼？例如，對於a += 1，如果a的類型是Python整數或numpy.int32，那麼是否存在行爲或性能差異？我很好奇，如果使用NumPy標量數據類型（如numpy.int32）來獲得在Python代碼中添加或減少很多值的速度更快。

爲了澄清，我正在進行生物信息學模擬，其中部分由摺疊多維numpy.ndarray組成的單個標量和然後另外處理。我正在使用Python 3.2和NumPy 1.6。

在此先感謝！

來源

2012-06-06 Sumant Manne

我很好奇和計時。對於numpy數組，numpy.sum似乎要快得多，但在列表上要慢得多。

import numpy as np 
import timeit 

x = range(1000) 
# or 
#x = np.random.standard_normal(1000) 

def pure_sum(): 
    return sum(x) 

def numpy_sum(): 
    return np.sum(x) 

n = 10000 

t1 = timeit.timeit(pure_sum, number = n) 
print 'Pure Python Sum:', t1 
t2 = timeit.timeit(numpy_sum, number = n) 
print 'Numpy Sum:', t2

結果時x = range(1000)：

Pure Python Sum: 0.445913167735 
Numpy Sum: 8.54926219673

結果時x = np.random.standard_normal(1000)：

Pure Python Sum: 12.1442425643 
Numpy Sum: 0.303303771848

我使用Python 2.7.2和1.6.1 numpy的

來源

2012-06-06 21:43:54 Akavall

+1，但是你難道沒有這些結果嗎？ – dawg

@drewk，是的，我確實有過它們。謝謝你指出這一點！固定。 – Akavall

當你使用'np.array'時，'np.sum'會更快。但是如果你計算'np.sum（np.array對象）'和'sum（列表對象）'，兩者的表現幾乎相同。 – xyres

Numpy應該快得多，特別是當你的數據已經是一個numpy數組時。

Numpy數組是一個標準C數組上的薄層。當numpy sum迭代這個時，它不會進行類型檢查，而且速度非常快。速度應該與使用標準C進行操作相當。

相比之下，使用python的總和，它必須首先將numpy數組轉換爲python數組，然後遍歷該數組。它必須進行一些類型檢查，並且通常會變得更慢。

python sum比numpy sum慢的確切數量沒有被很好地定義，因爲python sum將會是一個稍微優化的函數，與在python中編寫自己的sum函數相比。

來源

2012-06-06 21:19:19 Claris

它不會'轉換'numpy數組 - 一個numpy數組已經可以在Python中迭代。另一方面，'numpy.sum'可能需要將一個列表轉換爲一個numpy數組，這將解釋@Akavall的計時結果。 –

無論轉換髮生爲數組到數組還是通過類型化單個項目，您都會在某個級別轉換項目（從/到本機類型），這就是我試圖創建的點。 – Claris

需要注意的是Python的總和上多維numpy數組只會沿着第一個軸執行一個和：

sum(np.array([[[2,3,4],[4,5,6]],[[7,8,9],[10,11,12]]])) 
Out[47]: 
array([[ 9, 11, 13], 
     [14, 16, 18]]) 

np.sum(np.array([[[2,3,4],[4,5,6]],[[7,8,9],[10,11,12]]]), axis=0) 
Out[48]: 
array([[ 9, 11, 13], 
     [14, 16, 18]]) 

np.sum(np.array([[[2,3,4],[4,5,6]],[[7,8,9],[10,11,12]]])) 
Out[49]: 81

來源

2016-06-06 20:42:28 MichaelSB

這是對answer post above by Akavall的擴展。從該答案中可以看出np.sum對於np.array對象執行得更快，而sum對list對象執行得更快。若要擴展：

在運行np.sum爲np.array對象比。sum對於一個list對象，它似乎是一對一對決。

# I'm running IPython 

In [1]: x = range(1000) # list object 

In [2]: y = np.array(x) # np.array object 

In [3]: %timeit sum(x) 
100000 loops, best of 3: 14.1 µs per loop 

In [4]: %timeit np.sum(y) 
100000 loops, best of 3: 14.3 µs per loop

以上，sum是微小位比np.array快，雖然有時我見過np.sum時序是14.1 µs，太。但主要是，它是14.3 µs。

來源

2017-04-07 15:35:09 xyres

Python的總和與NumPy的numpy.sum

回答

相關問題