【发布时间】：2011-08-22 20:13:21
【问题描述】：
以下代码的时间非常奇怪：
import numpy as np
s = 0
for i in range(10000000):
s += np.float64(1) # replace with np.float32 and built-in float
- 内置浮点：4.9 秒
- float64：10.5 秒
- float32：45.0 秒
为什么float64 比float 慢两倍？为什么float32 比 float64 慢 5 倍？
有什么办法可以避免使用np.float64 的惩罚，并让numpy 函数返回内置float 而不是float64？
我发现使用numpy.float64 比Python 的float 慢得多，而numpy.float32 甚至更慢（即使我在32 位机器上）。
numpy.float32 在我的 32 位机器上。因此，每次使用numpy.random.uniform等各种numpy函数时，我都会将结果转换为float32（以便以32位精度执行进一步的操作）。
有没有办法在程序或命令行中的某处设置单个变量，并使所有 numpy 函数返回 float32 而不是 float64？
编辑#1：
numpy.float64 在算术计算中比 float 慢 10 倍。太糟糕了，即使在计算之前转换为浮点数并返回，程序运行速度也快了 3 倍。为什么？有什么办法可以解决吗？
我想强调，我的时间安排不是由于以下任何原因：
- 函数调用
- numpy 与 python float 的转换
- 对象的创建
我更新了我的代码，以更清楚地说明问题所在。使用新代码，我似乎看到使用 numpy 数据类型会带来十倍的性能损失：
from datetime import datetime
import numpy as np
START_TIME = datetime.now()
# one of the following lines is uncommented before execution
#s = np.float64(1)
#s = np.float32(1)
#s = 1.0
for i in range(10000000):
s = (s + 8) * s % 2399232
print(s)
print('Runtime:', datetime.now() - START_TIME)
时间是：
- float64: 34.56s
- float32: 35.11s
- 浮动：3.53s
为了它，我也试过了：
从日期时间导入日期时间 将 numpy 导入为 np
START_TIME = datetime.now()
s = np.float64(1)
for i in range(10000000):
s = float(s)
s = (s + 8) * s % 2399232
s = np.float64(s)
print(s)
print('Runtime:', datetime.now() - START_TIME)
执行时间为13.28 s；实际上，将float64 转换为float 并返回比按原样使用要快3 倍。尽管如此，转换还是要付出代价，因此总体而言，与纯 python float 相比，它的速度要慢 3 倍以上。
我的机器是：
- 英特尔酷睿 2 双核 T9300 (2.5GHz)
- WinXP Professional（32 位）
- ActiveState Python 3.1.3.5
- Numpy 1.5.1
编辑 #2：
感谢您的回答，他们帮助我了解如何处理这个问题。
但我仍然想知道为什么下面的代码在float64 下运行速度比float 慢10 倍的确切原因（也许基于源代码）。
编辑#3：
我在 Windows 7 x64 (Intel Core i7 930 @ 3.8GHz) 下重新运行代码。
同样，代码是：
from datetime import datetime
import numpy as np
START_TIME = datetime.now()
# one of the following lines is uncommented before execution
#s = np.float64(1)
#s = np.float32(1)
#s = 1.0
for i in range(10000000):
s = (s + 8) * s % 2399232
print(s)
print('Runtime:', datetime.now() - START_TIME)
时间是：
- float64：16.1s
- float32：16.1s
- 浮动：3.2s
现在np 的两个浮点数（64 或 32）都比内置的 float 慢 5 倍。尽管如此，还是有很大的不同。我想弄清楚它是从哪里来的。
编辑结束
【问题讨论】：
-
什么版本的 Python？什么版本的numpy？如果是 Python 2.x，请使用 xrange 而不是 range（range 将构建一个巨大的列表）。 float(1) 不是许多人期望经常使用的操作； float(i) 可能更现实一点。为什么要使用 32 位精度？
-
Numpy 说它的浮点数默认为 64 位，这可以解释为什么 32 位浮点数较慢（它必须更改它们）。我不知道为什么指定
float64会使其速度变慢。请注意，AFAIK，您的架构不会影响浮点数据：32 位或 64 位架构仅与内存地址相关。 -
试试
s=10000000.，应该会更快。更严重的是：您正在分析函数调用速度，而 Numpy 在可以矢量化操作时表现出色。import语句是否也在使用内置float的版本中？ -
Core 2 Duos 不是 64 位机器吗？ ark.intel.com/Product.aspx?id=33917
-
您可以使用
python -mtimeit -s "import numpy; s = numpy.float(1)" "(s + 8) * s % 2399232"来计时。将numpy.float替换为numpy.float32(1)、numpy.float64(1)或1.0以获得其他变体。
标签： python performance numpy floating-point