加速numpy小功能答案

【问题标题】：Speeding up numpy small function加速numpy小功能
【发布时间】：2020-05-02 05:00:40
【问题描述】：

这个小函数在应用程序中被多次调用，与 Matlab 中的相同代码实现相比运行速度非常慢。在那里它的工作速度可能快 10-100 倍，所以我想知道在 python/numpy 中哪里可以改进它。

def ahamming(n,mid):
    data = np.zeros(n)
    wid1 = mid - 1
    wid2 = n - mid
    wid = max(wid1,wid2)

    for i in range(n):
        arg = (i+1) - mid;
        data[i] = np.cos((np.pi*arg)/wid);
    return 0.54 + 0.46*data

【问题讨论】：

标签： python performance numpy optimization scipy

【解决方案1】：

这是一种简单的矢量化方法。使用 numpy 数组的好处是可以避免循环并利用 numpy 的速度。

您可以按如下方式替换循环：

def ahamming(n,mid):
    data = np.zeros(n)
    wid1 = mid - 1
    wid2 = n - mid
    wid = max(wid1,wid2)

    i = np.arange(n)
    arg = (i+1) - mid
    data = 0.54 + 0.46*np.cos((np.pi*arg)/wid)

    return data

效率稍高，但可能不太直观

i = np.arange(1, n+1)
arg = i - mid

编辑：速度结果在。n = 500 的循环版本需要 3.97 秒进行 10000 次计算。 numpy 版本工具 0.10 秒，速度快 40 倍。

【讨论】：

谢谢，我刚刚发现 np.cos 函数可以在整个数组上工作，而且速度要快得多。
另外，修复了缺失的部分。因为这很简单，所以我不确定我现在是否应该删除问题。
这就是 numpy 的全部意义所在。任何算术总是在整个数组上执行。这就是为什么i+1 在i 是一个数组时起作用的原因。如果它是一个列表，它就不会。

【解决方案2】：

Numpy implementation 可以提供来自docs 的一些提示。

## reference numpy implementation linked above
def hamming(M):
    if M < 1:
        return array([])
    if M == 1:
        return ones(1, float)
    n = arange(0, M)
    return 0.54 - 0.46*cos(2.0*pi*n/(M-1)) # of importance

【讨论】：