直接导入子模块有什么好处（似乎更慢）？

Question

我想看看哪个更快：

import numpy as np
np.sqrt(4)

-或-

from numpy import sqrt
sqrt(4)

这是我用来计算每个运行的平均时间的代码。

def main():
   import gen_funs as gf
   from time import perf_counter_ns
   t = 0
   N = 40
   for j in range(N):
      tic = perf_counter_ns()
      for i in range(100000):
         imp2()  # I ran the code with this then with imp1()

      toc = perf_counter_ns()
      t += (toc - tic)
   t /= N
   time = gf.ns2hms(t) # Converts ns to readable object
   print("Ave. time to run: {:d}h {:d}m {:d}s {:d}ms" .
        format(time.hours, time.minutes, time.seconds, time.milliseconds))

def imp1():
   import numpy as np
   np.sqrt(4)
   return

def imp2():
   from numpy import sqrt
   sqrt(4)
   return

if __name__ == "__main__":
   main()

当我 import numpy as np 然后调用 np.sqrt(4) 时，我得到的平均时间约为 229 毫秒 （到运行循环 10* 的时间*4 次）。

当我运行 from numpy import sqrt 然后调用 sqrt(4) 时，我得到的平均时间约为 332ms.

既然到运行有这么大的时间差，对运行宁from numpy import sqrt有什么好处？有没有我会这样做的记忆好处或其他原因？

Answer 1

我尝试使用 time bash 命令计时。我得到了 215ms 用于导入 numpy 和运行 sqrt(4) 和 193ms 用于使用相同的命令从 numpy 导入 sqrt。老实说，差异可以忽略不计。

但是，如果您不需要模块的某个方面，则不鼓励导入它。

在这种特殊情况下，因为没有明显的性能优势，而且在很少情况下您只需要导入 numpy.sqrt（math.sqrt 快约 4 倍。额外的功能 numpy.sqrt 优惠只有在您有 numpy 数据时才可用，当然，这需要您导入整个模块。

在这种情况下，您可能不需要全部 numpy 但仍然需要 numpy.sqrt，例如使用 pandas.DataFrame.to_numpy() 并以某种方式操纵数据，但老实说，我不觉得 20 毫秒的速度在现实世界中有任何价值。特别是因为您看到仅导入 numpy.sqrt.

的更差性能

直接导入子模块有什么好处（似乎更慢）？

Any benefits to importing sub modules directly (seems to be slower)?

python

benchmarking

python-3.x