Python;實現按元素向量乘法的最高性能方法

我需要函數聚合器，它將兩個列表減少爲一個總數。 '物品'應該是布爾人的矢量。Python;實現按元素向量乘法的最高性能方法

所以，我寫這些功能：

def element_wise_multiplication(weights, items): 
    return map(lambda x, y: x * y, weights, items) 

def total(weights, items): 
    return sum(element_wise_multiplication(weights, items))

他們看起來OK我，但問題是，探查表明，隨着它拉姆達行負責運行的95％，所以它的性能幾乎不可接受。

什麼是最有效的實現方法？

P.S.我知道NumPy的數組，但我想在這個上使用PyPy。或者在這種情況下使用它不值得嗎？

來源

2012-01-11 Zotov

在PyPy上，只需要在簡單的循環中編寫它就會好得多。再加上你的代碼會更具可讀性。 – fijal 2012-01-12 12:14:47

可以照顧與發電機像這樣：

from itertools import izip 
value = sum((x * y) for x, y in izip(weights, items))

izip完成同樣的事情內置zip，但是沒有內存高架。

來源

2012-01-11 22:34:27

當然，內存開銷更高，但是... value = sum（[（x * y）for x，y in izip（權重，項目）]）'實際上更快:) – 2012-01-11 22:51:36

這給了24％的優化。有什麼機會進一步推動它？ – Zotov 2012-01-11 22:53:10

@RicardoCárdenes謝謝！優化47％。這還差不多） – Zotov 2012-01-11 23:01:50

嘗試只是這樣的：

def total(weights, items): 
    return sum (x * y for x, y in zip(weights, items))

來源

2012-01-11 22:34:13 jsbueno

雖然你提到不希望在這種情況下使用numpy，但可能值得關注速度差異。

最好的非numpy解決方案似乎是一個使用izip的發電機，這個發電機勉強超過了zip。

In [31]: %timeit sum(x*y for x,y in zip(weights,items)) 
    10000 loops, best of 3: 158 us per loop 

    In [32]: %timeit sum(x*y for x,y in izip(weights,items)) 
    10000 loops, best of 3: 125 us per loop

但是當我們使用numpy的陣列，我們得到：

In [33]: %timeit (np_weights,np_items).sum() 
    100000 loops, best of 3: 9.08 us per loop

的numpy的解決方案是快了整整14倍。如果這真的是你的代碼中的瓶頸，那麼numpy就是要走的路。

來源

2012-01-12 02:05:24 ebarr

Python;實現按元素向量乘法的最高性能方法

回答

相關問題