python – 具有非常大的numpy数组的效率

发布时间：2020-12-20 13:37:26 所属栏目：Python 来源：网络整理

导读：我正在使用一些非常大的数组.我正在处理的一个问题当然是RAM耗尽,但在此之前我的代码运行缓慢,所以即使我有无限的RAM,它仍然需要太长时间.我将给出一些代码来展示我正在尝试做的事情： #samplez is a 3 million element 1-D array#zfit is a 10,000 x 500 2-

我正在使用一些非常大的数组.我正在处理的一个问题当然是RAM耗尽,但在此之前我的代码运行缓慢,所以即使我有无限的RAM,它仍然需要太长时间.我将给出一些代码来展示我正在尝试做的事情：

#samplez is a 3 million element 1-D array
#zfit is a 10,000 x 500 2-D array

b = np.arange((len(zfit))

for x in samplez:
    a = x-zfit
    mask = np.ma.masked_array(a)
    mask[a <= 0] = np.ma.masked
    index = mask.argmin(axis=1)
    #  These past 4 lines give me an index array of the smallest positive number 
    #  in x - zift       

    d = zfit[b,index]
    e = zfit[b,index+1]
    f = (x-d)/(e-d)
    # f is the calculation I am after

    if x == samplez[0]:
       g = f
       index_stack = index
    else:
       g = np.vstack((g,f))
       index_stack = np.vstack((index_stack,index))

我需要在进一步的计算中使用g和index_stack,每个都是3百万x 10,000个2-D阵列.这个循环的每次迭代花费将近1秒,总共300万秒,这太长了.

我有什么办法可以让这个计算运行得更快吗？我试着想想如果没有这个for循环我怎么做,但我能想象的唯一方法是制作300万份zfit,这是不可行的.

有没有我可以通过不将所有内容保存在RAM中来处理这些数组？我是初学者,我搜索过的所有内容都是无关紧要的,或者是我无法理解的.提前致谢.

解决方法

很高兴知道最小的正数永远不会出现在行的末尾.

在samplez中有100万个唯一值,但在zfit中,每行最多只能有500个唯一值.整个zfit可以拥有多达5000万个唯一值.如果’找到最小的正数>的数量,则可以大大加快算法的速度. each_element_in_samplez’的计算可以大大减少.进行所有5e13比较可能是一种过度杀伤,小心翼翼的计划将能够摆脱它的大部分.这很大程度上取决于你的实际基础数学.

在不知情的情况下,仍然可以做一些小事.在图1中,没有那么多可能的(e-d)因此可以从循环中取出. 2,循环可以通过map消除.在我的机器上,这两个小修复导致大约22％的加速.

def function_map(samplez,zfit):
    diff=zfit[:,:-1]-zfit[:,1:]
    def _fuc1(x):
        a = x-zfit
        mask = np.ma.masked_array(a)
        mask[a <= 0] = np.ma.masked
        index = mask.argmin(axis=1)
        d = zfit[:,index]
        f = (x-d)/diff[:,index] #constrain: smallest value never at the very end.
        return (index,f)
    result=map(_fuc1,samplez)
    return (np.array([item[1] for item in result]),np.array([item[0] for item in result]))

下一步：完全可以避免使用masked_array(这应该会带来显着的改进). samplez也需要进行排序.

>>> x1=arange(50)
>>> x2=random.random(size=(20,10))*120
>>> x2=sort(x2,axis=1) #just to make sure the last elements of each col > largest val in x1
>>> x3=x2*1
>>> f1=lambda: function_map2(x1,x3)
>>> f0=lambda: function_map(x1,x2)
>>> def function_map2(samplez,zfit):
    _diff=diff(zfit,axis=1)
    _zfit=zfit*1
    def _fuc1(x):
        _zfit[_zfit<x]=(+inf)
        index = nanargmin(zfit,axis=1)
        d = zfit[:,index]
        f = (x-d)/_diff[:,np.array([item[0] for item in result]))

>>> import timeit
>>> t1=timeit.Timer('f1()','from __main__ import f1')
>>> t0=timeit.Timer('f0()','from __main__ import f0')
>>> t0.timeit(5)
0.09083795547485352
>>> t1.timeit(5)
0.05301499366760254
>>> t0.timeit(50)
0.8838210105895996
>>> t1.timeit(50)
0.5063929557800293
>>> t0.timeit(500)
8.900799036026001
>>> t1.timeit(500)
4.614129018783569

所以,这是另一个50％的加速.

避免使用masked_array并节省一些RAM.想不出别的什么可以减少RAM的使用.可能需要部分处理samplez.而且,如果你可以使用float16或float32而不是默认的float64来节省大量的RAM,那么,依赖于数据和所需的精度.

（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!