Numpy 转置函数的速度和用例答案

【问题标题】：Numpy transpose functions speed and use casesNumpy 转置函数的速度和用例
【发布时间】：2018-01-29 20:45:01
【问题描述】：

那么为什么 NumPy 转置 .T 比 np.transpose() 快？

b = np.arange(10)

#Transpose .T
t=b.reshape(2,5).T

#Transpose function
t = np.transpose(b.reshape(2,5))

#Transpose function without wrapper
t = b.reshape(2,5).transpose()

我在 Jupyter 中对两者都做了timeit：

%timeit -n 1000 b.reshape(2,5).T

1000 loops, best of 3: 391 ns per loop

%timeit -n 1000 np.transpose(b.reshape(2,5))

1000 loops, best of 3: 600 ns per loop

%timeit -n 1000 b.reshape(2,5).transpose()

1000 loops, best of 3: 422 ns per loop

为了检查可扩展性，我做了一个更大的矩阵：

b = np.arange( 100000000)

%timeit -n 1000 b.reshape(10000,10000).T

1000 loops, best of 3: 390 ns per loop

%timeit -n 1000 np.transpose(b.reshape(10000,10000))

1000 loops, best of 3: 611 ns per loop

%timeit -n 1000 b.reshape(10000,10000).transpose()

1000 loops, best of 3: 435 ns per loop

在这两种情况下，.T 方法比包装器快 2 倍，比使用 .transpose() 快一点，这是为什么？有没有np.transpose 更好的用例？

【问题讨论】：

您不必担心transpose 的速度。这是一个微不足道的动作，只是改变形状和步伐。您看到的差异仅反映了调用结构。它们不随数组的大小而变化。
@hpaulj 为什么不呢？当您处理大型数据集时，每一点时间都会加起来。
@hpaulj 指的是转置只涉及操作描述数据布局的数组，而不是数据本身。此操作随维度的数量而变化，这比这些维度的大小要小得多。
np.transpose 也用于argwhere、return transpose(nonzero(a))。这里transpose 首先将数组的元组转换为二维数组。元组没有转置方法。 `

标签： python numpy transpose

【解决方案1】：

一个原因可能是np.transpose(a) 只是在内部调用a.transpose()，而a.transpose() 更直接。在source 你有：

def transpose(a, axes=None):
    return _wrapfunc(a, 'transpose', axes)

_wrapfunc 又是is just：

def _wrapfunc(obj, method, *args, **kwds):
    try:
        return getattr(obj, method)(*args, **kwds)
    except (AttributeError, TypeError):
        return _wrapit(obj, method, *args, **kwds)

在这种情况下，这映射到 getattr(a, 'transpose')。 _wrapfunc 被许多模块级函数用来访问方法，通常是 ndarray 类或第一个 arg 的任何类。

（注意：.T 与.transpose() 相同，只是如果数组有

【讨论】：

@Brad_Solomon 所以我尝试使用 .transpose() 但 .T 仍然更快，我会更新我的帖子
我认为ndarray.transpose() 可能会稍微快一些，因为它需要一个axes 参数，而.T 没有。但它肯定不应该是 2 倍。
@Brad_Solomon 我猜 numpy 必须检查 axes 参数，这会在 .transpose() 而不是 .T 中产生更多开销，谢谢