純Python比Numpy更快嗎？我可以使這個numpy代碼更快嗎？

Question

我需要從特定的面/頂點列表中計算最小值，最大值和平均值。我試圖用Numpy優化這個計算，但沒有成功。

這是我的測試用例：

#!/usr/bin/python 
# -*- coding: iso-8859-15 -*- 
''' 
Module Started 22 févr. 2013 
@note: test case comparaison numpy vs python 
@author: Python4D/damien 
''' 

import numpy as np 
import time 


def Fnumpy(vertices): 
    np_vertices=np.array(vertices) 
    _x=np_vertices[:,:,0] 
    _y=np_vertices[:,:,1] 
    _z=np_vertices[:,:,2] 
    _min=[np.min(_x),np.min(_y),np.min(_z)] 
    _max=[np.max(_x),np.max(_y),np.max(_z)] 
    _mean=[np.mean(_x),np.mean(_y),np.mean(_z)] 
    return _mean,_max,_min 

def Fpython(vertices): 
    list_x=[item[0] for sublist in vertices for item in sublist] 
    list_y=[item[1] for sublist in vertices for item in sublist] 
    list_z=[item[2] for sublist in vertices for item in sublist] 
    taille=len(list_x) 
    _mean=[sum(list_x)/taille,sum(list_y)/taille,sum(list_z)/taille] 
    _max=[max(list_x),max(list_y),max(list_z)] 
    _min=[min(list_x),min(list_y),min(list_z)]  
    return _mean,_max,_min 

if __name__=="__main__": 
    vertices=[[[1.1,2.2,3.3,4.4]]*4]*1000000 
    _t=time.clock() 
    print ">>NUMPY >>{} for {}s.".format(Fnumpy(vertices),time.clock()-_t) 
    _t=time.clock() 
    print ">>PYTHON>>{} for {}s.".format(Fpython(vertices),time.clock()-_t) 

的結果是：

numpy的：

（[1.1000000000452519，2.2000000000905038，3.3000000001880174]，[1.1000000000000001，2.2000000000000002，3.2999999999999998 ]，[1.1000000000000001,2.2000000000000002,3.2999999999999998]）爲27.327068618s。

的Python：

（[1.100000000045252，2.200000000090504，3.3000000001880174]，[1.1，2.2，3.3]，[1.1，2.2，3.3]）爲1.81366938593s。

純Python的速度比Numpy快15倍！

Answer 1

你的Fnumpy較慢的原因是它包含一個不由Fpython完成的額外步驟：在內存中創建一個numpy數組。如果招行np_verticies=np.array(verticies)的Fnumpy外部和定時部分的結果將有很大的不同：

>>NUMPY >>([1.1000000000452519, 2.2000000000905038, 3.3000000001880174], [1.1000000000000001, 2.2000000000000002, 3.2999999999999998], [1.1000000000000001, 2.2000000000000002, 3.2999999999999998]) for 0.500802s. 
>>PYTHON>>([1.100000000045252, 2.200000000090504, 3.3000000001880174], [1.1, 2.2, 3.3], [1.1, 2.2, 3.3]) for 2.182239s. 

您還可以通過提供的數據類型的提示，當您創建它numpy的顯著加快分配步驟。如果你告訴Numpy你有一組浮點數，那麼即使你在定時循環中保持np.array()的調用，它也會打敗純Python版本。

如果我改變np_vertices=np.array(vertices)到np_vertices=np.array(vertices, dtype=np.float_)和保持在Fnumpy，在Fnumpy版本將擊敗Fpython即使它有做了很多工作：

>>NUMPY >>([1.1000000000452519, 2.2000000000905038, 3.3000000001880174], [1.1000000000000001, 2.2000000000000002, 3.2999999999999998], [1.1000000000000001, 2.2000000000000002, 3.2999999999999998]) for 1.586066s. 
>>PYTHON>>([1.100000000045252, 2.200000000090504, 3.3000000001880174], [1.1, 2.2, 3.3], [1.1, 2.2, 3.3]) for 2.196787s. 

Answer 2

正如所指出的其他人，你的問題是從列表到數組的轉換。通過使用適當的numpy函數，你將擊敗Python。我修改程序的主要組成部分：

if __name__=="__main__": 
    _t = time.clock() 
    vertices_np = np.resize(np.array([ 1.1, 2.2, 3.3, 4.4 ], dtype=np.float64), 
          (1000000, 4, 4)) 
    print "Creating numpy vertices: {}".format(time.clock() - _t) 
    _t = time.clock() 
    vertices=[[[1.1,2.2,3.3,4.4]]*4]*1000000 
    print "Creating python vertices: {}".format(time.clock() - _t) 
    _t=time.clock() 
    print ">>NUMPY >>{} for {}s.".format(Fnumpy(vertices_np),time.clock()-_t) 
    _t=time.clock() 
    print ">>PYTHON>>{} for {}s.".format(Fpython(vertices),time.clock()-_t) 

與我的機器在體改主要部分結果運行代碼：

Creating numpy vertices: 0.6 
Creating python vertices: 0.01 
>>NUMPY >>([1.1000000000452519, 2.2000000000905038, 3.3000000001880174], 
[1.1000000000000001, 2.2000000000000002, 3.2999999999999998], [1.1000000000000001, 
2.2000000000000002, 3.2999999999999998]) for 0.5s. 
>>PYTHON>>([1.100000000045252, 2.200000000090504, 3.3000000001880174], [1.1, 2.2, 3.3], 
[1.1, 2.2, 3.3]) for 1.91s. 

雖然數組創建仍與numpy的工具爲略長使用python的列表乘法運算符（0.6s對0.01s）創建嵌套列表，可以獲得ca的一個因子。 4代表您的代碼的運行時相關部分。如果我更換行：

np_vertices = np.asarray(vertices) 

避免大陣列的複製

np_vertices=np.array(vertices) 

，該numpy的功能的運行時間甚至下降到0.37s我的機器上，比多比純Python版本快5倍。

在你真實的代碼中，如果你事先知道頂點的數量，你可以通過np.empty()預先分配合適的數組，然後用合適的數據填充它，並將它傳遞給函數的numpy版本。