NumPy 数组计算时间问题

Question

抱歉这个问题有点太基础了。

我在学习 NumPy 并通过 Why are NumPy arrays so fast? 了解到 NumPy 数组之所以快，有两个原因

np.array() 由相同的 dtype 组成，因此获得了引用位置的好处。
可以通过 uFunc 之类的方式进行矢量化操作。

因此，按理说计算速度应该是：

(uFuncs with np arrays)>(loops with np arrays)>(loops with list).

但是，下面的代码显示速度实际上是，

(uFuncs with np arrays)>(loops with list)>(loops with np arrays).

换句话说，虽然使用带有 np 数组的 uFUnc 是最快的，但是带有列表的循环比带有 np 数组的循环更快。谁能解释为什么会这样？

预先感谢您的回答！

import numpy as np
np.random.seed(0)

arr=np.arange(1,1000)
arrlist=[]
for i in range(1,1000):
  arrlist.append(i)

#case0: list loop
def list_loop(values): #values: 1D array I want to take reciprocal of
  output=[]
  for i in range(len(values)):
    output.append(1.0/values[i])
  return output


#case1: np array loop
def nparray_loop(values): #values: 1D array I want to take reciprocal of
  output=np.empty(len(values))
  for i in range(len(values)):
    output[i]=1.0/values[i]
  return output

#case2: uFunc
def nparray_uFunc(values):
  return 1.0/values

print("list loop computation time:")
%timeit list_loop(arrlist)
print('\n')

print("np array loop computation time:")
%timeit nparray_loop(arr)
print('\n')

print("uFunc computation time:")
%timeit nparray_uFunc(arr)

输出：

list loop computation time:
185 µs ± 5.63 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)


np array loop computation time:
4.28 ms ± 402 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)


uFunc computation time:
5.42 µs ± 1.23 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)

Answer 1

列表在内部表示为 Python 个对象的向量。 numpy 数组是一种复杂的数据结构，其中实际的数字数据以原始机器格式存储。

要在 python 列表上调用 Python 函数，Python 只需从列表中提取适当的元素并调用该函数。要在 numpy 数组上调用 Python 函数，Python 必须获取 numpy 数组的每个单独的原始元素并将其转换为适当的 Python 表示，然后调用 Python 函数。

Numpy 的矢量运算速度很快。如果您打算逐个元素查看数据，效率会较低。

NumPy 数组计算时间问题

NumPy array computation time questions

python

arrays

numpy

vectorization