使用Python的原生sum
函数和NumPy的numpy.sum
函数在性能和行为上有什么区别?sum
函数用于NumPy的数组,numpy.sum
函数用于Python列表,它们都返回相同的有效结果(没有测试溢出等边缘情况),但类型不同。
>>> 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'>
**编辑:**我想我的实际问题是,在Python整数列表上使用numpy.sum
会比使用Python自己的sum
更快吗?
另外,这意味着什么(包括性能)。例如,对于a += 1
,a
的类型是Python整数还是numpy.int32
,在行为或性能上会有差异吗?我很好奇,对于在Python代码中经常加减的值,使用NumPy标量数据类型(如numpy.int32
)是否更快。
为了澄清一下,我正在进行一个生物信息学模拟,其中一部分是将多维numpy.ndarray
折叠成单个标量和,然后进行额外的处理,我使用的是Python 3.2和NumPy 1.6。
6条答案
按热度按时间0ejtzxu11#
我很好奇,并计算了它的时间。
numpy.sum
对于numpy数组似乎要快得多,但对于列表则要慢得多。x = range(1000)
时的结果:x = np.random.standard_normal(1000)
时的结果:我使用的是Python 2.7.2和Numpy 1.6.1
3qpi33ja2#
[...]我的问题是,在Python整数列表上使用
numpy.sum
会比使用Python自己的sum
更快吗?这个问题的答案是:没有。
Python的sum在列表上会更快,而NumPys的sum在数组上会更快,我实际上做了一个基准测试来显示计时(Python 3.6,NumPy 1.14):
结果如下:
左:在NumPy数组上;右:在Python列表中。注意,这是一个双对数图,因为基准测试涵盖了非常广泛的值。然而,对于定性结果:越低越好。
这表明对于列表,Python
sum
总是更快,而np.sum
或数组上的sum
方法将更快(除了非常短的数组,其中Pythonsum
更快)。如果你有兴趣比较一下,我还做了一个图,包括所有这些:
有趣的是,
numpy
可以在数组上与Python和列表竞争的点大约是200个元素!注意,这个数字可能取决于很多因素,比如Python/NumPy版本,......不要把它看得太字面了。没有提到的是造成这种差异的原因(我指的是大规模的差异,而不是短列表/数组的差异,因为它们的函数只是具有不同的常量开销)假设CPython,Python列表是C++的 Package 器(C语言)指向Python对象的指针数组(在本例中为Python整数)。这些整数可以看作是C整数的 Package 器(实际上并不正确,因为Python的整数可以是任意大的,所以它不能简单地使用oneC整数,但它已经足够接近了)。
例如,像
[1, 2, 3]
这样的列表(示意性地,我省略了一些细节)将如下存储:然而NumPy数组是包含C值的C数组的 Package 器(在本例中,
int
或long
取决于32或64位以及操作系统)。因此,
np.array([1, 2, 3])
这样的NumPy数组看起来如下所示:接下来要了解的是这些函数是如何工作的:
sum
迭代可迭代对象(在本例中为列表或数组),并将所有元素相加。sum
方法迭代存储的C数组,并将这些C值相加,最后将该值 Package 为Python类型(在本例中为numpy.int32
(或numpy.int64
))并返回。sum
函数将输入转换为array
(至少在它还不是数组时),然后使用NumPysum
方法。显然,从C数组中添加C值比添加Python对象要快得多,这就是NumPy函数可以快得多的原因(参见上面的第二张图,NumPy函数在数组上的速度远远超过Python对大型数组求和的速度)。
但是将Python列表转换为NumPy数组相对较慢,而且还需要加上C值,这就是为什么对于列表,Python
sum
会更快。剩下的唯一问题是,为什么
array
上的Pythonssum
速度如此之慢(这是所有比较函数中最慢的),这实际上与Pythons sum简单地迭代你传入的任何东西有关,在列表的情况下,它得到存储的Python对象,但在一维NumPy数组的情况下,没有存储的Python对象,只有C值,所以Python和NumPy必须为每个元素创建一个Python对象(numpy.int32
或numpy.int64
),然后必须添加这些Python对象。为C值创建 Package 器是它真正慢的原因。另外,使用Python整数和标量numpy.int32的含义(包括性能)是什么?例如,对于a += 1,如果a的类型是Python整数或numpy.int32,是否存在行为或性能差异?
我做了一些测试,对于标量的加法和减法,你绝对应该坚持使用Python整数,尽管可能会有一些缓存,这意味着下面的测试可能不完全具有代表性:
用Python整数做标量运算比用NumPy标量快3 - 6倍,我还没有检查为什么会这样,但我猜NumPy标量很少使用,可能没有优化性能。
如果实际执行两个操作数都是numpy标量的算术运算,则差异会小一些:
那就只会慢2倍。
如果你想知道为什么我在这里使用
itertools.repeat
,而我可以简单地使用for _ in range(...)
。原因是repeat
更快,因此每个循环的开销更少。因为我只对加法/减法时间感兴趣,实际上最好不要让循环开销扰乱计时(至少不那么多)。hgncfbus3#
注意,Python对多维numpy数组求和只会沿着第一个轴求和:
jhkqcmku4#
Numpy应该快得多,特别是当您的数据已经是一个numpy数组时。
Numpy数组是标准C数组的一个薄层。当numpy sum在这个数组上迭代时,它不做类型检查,而且速度非常快。速度应该可以和用标准C做操作相比。
相比之下,使用python的sum必须先将numpy数组转换为python数组,然后迭代该数组,必须做一些类型检查,通常会比较慢。
python sum比numpy sum慢的确切数量并没有很好的定义,因为与用python编写自己的sum函数相比,python sum将是一个稍微优化的函数。
ffx8fchx5#
这是对answer post above by Akavall的扩展。从这个答案可以看出,
np.sum
对于np.array
对象执行得更快,而sum
对于list
对象执行得更快。在为
np.array
对象运行np.sum
时与为list
对象运行sum
时相比,它们的表现似乎并驾齐驱。在上面,
sum
比np.array
快了一点,尽管有时候我看到np.sum
的时间也是14.1 µs
,但大多数时候,它是14.3 µs
。ozxc1zmp6#
如果使用sum(),那么它给出