NumPy 数学函数比 Python 快吗？答案

【问题标题】：Are NumPy's math functions faster than Python's?NumPy 数学函数比 Python 快吗？
【发布时间】：2011-04-08 16:33:17
【问题描述】：

我有一个由基本数学函数（abs、cosh、sinh、exp、...）组合定义的函数。

我想知道使用它是否会有所不同（在速度方面），例如， numpy.abs() 而不是 abs()？

【问题讨论】：

使用timeit。
没有math.abs()。我猜你的意思是abs()？
@EOL 是的，抱歉，我编辑了这个问题。谢谢

标签： python performance numpy

【解决方案1】：

以下是计时结果：

lebigot@weinberg ~ % python -m timeit 'abs(3.15)' 
10000000 loops, best of 3: 0.146 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'from numpy import abs as nabs' 'nabs(3.15)'
100000 loops, best of 3: 3.92 usec per loop

numpy.abs() 比 abs() 慢，因为它还处理 Numpy 数组：它包含提供这种灵活性的附加代码。

然而，Numpy 在数组上速度很快：

lebigot@weinberg ~ % python -m timeit -s 'a = [3.15]*1000' '[abs(x) for x in a]'
10000 loops, best of 3: 186 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'import numpy; a = numpy.empty(1000); a.fill(3.15)' 'numpy.abs(a)'
100000 loops, best of 3: 6.47 usec per loop

（PS：'[abs(x) for x in a]' 在 Python 2.7 中比更好的 map(abs, a) 慢，后者大约快 30%，但仍然比 NumPy 慢得多。）

因此，numpy.abs() 1000 个元素所花费的时间并不比 1 个单个浮点数多多少！

【讨论】：

如果有 python -m timeit -s 'import numpy' -s 'a=numpy.array((1,)*1000)' 'numpy.abs(a) 的结果会很好' 来展示 numpy 可以如何快速使用它的数组
@EOL：您的时间似乎包括导入numpy，仅此一项就需要几秒钟。此外，在您的第二个示例中，我想知道 Python 的基本“abs”函数是否大部分时间来自您的列表理解而不是“abs”函数本身？
@tbhartman：请注意-s 赋予timeit 的选项：import numpy 实际上只在设置期间执行一次。它不是定时的。至于abs() 示例，将abs(x) 替换为x 表明abs() 使用了总运行时间的一半。在任何情况下，要点都是一样的：与纯（CPython 解释的）Python 相比，NumPy 确实快。

【解决方案2】：

其实在numpy数组上

内置abs通过__abs__调用numpy的实现，见Why built-in functions like abs works on numpy array?

所以，理论上应该不会有太大的性能差异。

import timeit

x = np.random.standard_normal(10000)

def pure_abs():
    return abs(x)

def numpy_abs():
    return np.absolute(x)

n = 10000

t1 = timeit.timeit(pure_abs, number = n)
print 'Pure Python abs:', t1
t2 = timeit.timeit(numpy_abs, number = n)
print 'Numpy abs:', t2
Pure Python abs: 0.435754060745
Numpy abs: 0.426516056061

【讨论】：

【解决方案3】：

你应该使用numpy函数处理numpy的类型，使用常规python函数处理常规python类型。

由于类型转换，将 python 内置函数与 numpy 混合时通常会出现最差的性能。这些类型转换最近已被优化，但通常最好不要使用它们。当然，您的里程可能会有所不同，因此请使用分析工具来确定。

如果您想进一步优化您的程序，还可以考虑使用 cython 之类的程序或制作 C 模块。或者考虑在性能很重要时不要使用 python。

但是，当您的数据被放入一个 numpy 数组时，numpy 可以非常快地计算大量数据。

【讨论】：