python – 迭代使用自己的输出的数组的最佳方法
首先,我想为措辞严厉的标题道歉 – 我目前无法想到一个更好的方式来表达它.基本上,我想知道是否有更快的方法在
Python中实现数组操作,其中每个操作以迭代方式依赖于先前的输出(例如,前向差分操作,过滤等).基本上,操作的形式如下:
for n in range(1,len(X)): Y[n] = X[n] + X[n - 1] + Y[n-1] 其中X是值数组,Y是输出.在这种情况下,假设Y [0]在上述循环之前是已知的或单独计算的.我的问题是:是否有NumPy功能来加速这种自引用循环?这是几乎所有脚本的主要瓶颈.我知道NumPy例程可以从C例程执行中受益,所以我很好奇是否有人知道任何有助于此的numpy例程.否则,是否有更好的方法来编程这个循环(在Python中),这将加速其对大数组大小的执行? (> 500,000个数据点). 解决方法
访问单个NumPy数组元素或(元素 – )迭代NumPy数组很慢(就像真的很慢).如果你想对NumPy数组进行手动迭代:就是不要这样做!
但你有一些选择.最简单的方法是将数组转换为Python列表并迭代列表(听起来很愚蠢,但请留在我身边 – 我将在答案1的末尾提供一些基准测试): X = X.tolist() Y = Y.tolist() for n in range(1,len(X)): Y[n] = X[n] + X[n - 1] + Y[n-1] 如果您还对列表使用直接迭代,则可能更快: X = X.tolist() Y = Y.tolist() for idx,(Y_n_m1,X_n,X_n_m1) in enumerate(zip(Y,X[1:],X),1): Y[idx] = X_n + X_n_m1 + Y_n_m1 然后有更复杂的选项需要额外的包.最值得注意的是 import numba as nb @nb.njit def func(X,Y): for n in range(1,len(X)): Y[n] = X[n] + X[n - 1] + Y[n-1] X和Y可以是NumPy数组,但numba将直接在缓冲区上工作,超过其他方法(可能是数量级). Numba比Cython更“重”,但它可以更快更容易使用.但没有conda,很难安装numba … YMMV 然而,这里也是一个Cython版本的代码(使用IPython魔法编译,如果你不使用IPython,它会有点不同): In [1]: %load_ext cython In [2]: %%cython ...: ...: cimport cython ...: ...: @cython.boundscheck(False) ...: @cython.wraparound(False) ...: cpdef cython_indexing(double[:] X,double[:] Y): ...: cdef Py_ssize_t n ...: for n in range(1,len(X)): ...: Y[n] = X[n] + X[n - 1] + Y[n-1] ...: return Y 仅举一个例子(基于the timing framework from my answer to another question),关于时间: import numpy as np import numba as nb import scipy.signal def numpy_indexing(X,len(X)): Y[n] = X[n] + X[n - 1] + Y[n-1] return Y def list_indexing(X,Y): X = X.tolist() Y = Y.tolist() for n in range(1,len(X)): Y[n] = X[n] + X[n - 1] + Y[n-1] return Y def list_direct(X,Y): X = X.tolist() Y = Y.tolist() for idx,1): Y[idx] = X_n + X_n_m1 + Y_n_m1 return Y @nb.njit def numba_indexing(X,len(X)): Y[n] = X[n] + X[n - 1] + Y[n-1] return Y def numpy_cumsum(X,Y): Y[1:] = X[1:] + X[:-1] np.cumsum(Y,out=Y) return Y def scipy_lfilter(X,Y): a = [1,-1] b = [1,1] return Y[0] - X[0] + scipy.signal.lfilter(b,a,X) # Make sure the approaches give the same result X = np.random.random(10000) Y = np.zeros(10000) Y[0] = np.random.random() np.testing.assert_array_equal(numba_indexing(X,Y),numpy_indexing(X,Y)) np.testing.assert_array_equal(numba_indexing(X,numpy_cumsum(X,Y)) np.testing.assert_almost_equal(numba_indexing(X,scipy_lfilter(X,cython_indexing(X,Y)) # Timing setup timings = {numpy_indexing: [],list_indexing: [],list_direct: [],numba_indexing: [],numpy_cumsum: [],scipy_lfilter: [],cython_indexing: []} sizes = [2**i for i in range(1,20,2)] # Timing for size in sizes: X = np.random.random(size=size) Y = np.zeros(size) Y[0] = np.random.random() for func in timings: res = %timeit -o func(X,Y) timings[func].append(res) # Plottig absolute times %matplotlib notebook import matplotlib.pyplot as plt fig = plt.figure(1) ax = plt.subplot(111) for func in timings: ax.plot(sizes,[time.best for time in timings[func]],label=str(func.__name__)) ax.set_xscale('log') ax.set_yscale('log') ax.set_xlabel('size') ax.set_ylabel('time [seconds]') ax.grid(which='both') ax.legend() plt.tight_layout() # Plotting relative times fig = plt.figure(1) ax = plt.subplot(111) baseline = numba_indexing # choose one function as baseline for func in timings: ax.plot(sizes,[time.best / ref.best for time,ref in zip(timings[func],timings[baseline])],label=str(func.__name__)) ax.set_yscale('log') ax.set_xscale('log') ax.set_xlabel('size') ax.set_ylabel('time relative to "{}"'.format(baseline.__name__)) ax.grid(which='both') ax.legend() plt.tight_layout() 结果如下: 绝对运行时 相对运行时间(与numba函数相比) 因此,只需将其转换为列表,您将大约快3倍!通过直接在这些列表上进行迭代,您可以获得另一个(更小的)加速,在此基准测试中只有20%,但与原始解决方案相比,我们现在快了近4倍.使用numba,与列表操作相比,您可以将速度提高100倍以上! Cython只比numba慢一点(约40-50%),可能是因为我没有用Cython来完成所有可能的优化(通常它的速度不会超过10-20%).但是对于大型阵列,差异会变小. 1我在another answer确实进入了更多的细节.那个Q A是关于转换到一个集合但是因为set使用(隐藏)“手动迭代”它也适用于此处. 我包括了NumPy cumsum和Scipy lfilter方法的时间安排.与numba函数相比,对于小阵列,这些大约慢20倍,对于大阵列大约慢4倍.但是,如果我正确地解释了这个问题,那么你不仅要寻找一些方法,而不仅仅是在例子中应并非每个自引用循环都可以使用NumPy或SciPys过滤器的cum *函数来实现.但即便如此,似乎他们无法与Cython和/或numba竞争. (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |