在 Python 中复制二维数组的最快方法是什么？

Question

我必须在R*C网格上进行大量模拟。

这些模拟正在改变网格，所以我需要在每次之前复制我的参考网格，然后在新的网格上应用我的模拟功能。

在 Python 中执行此操作的最快方法是什么？

---

由于我没有在 StackOverflow 上找到类似的问题，我自己做了测试，并决定将它们张贴在这里，认为它们可能对其他人有用。

答案将是社区响应，以便其他人可以使用可能的其他技术添加新的测量。

如果添加另一种方法，请记住测量所有旧测试并更新它们，因为时间取决于所使用的计算机，避免对结果产生偏差。

Answer 1

我使用了一个 bash 变量来设置timeit测试：

setup="""
R = 100
C = 100
from copy import deepcopy
import numpy as np
ref = [[i for i in range(C)] for _ in range(R)]
ref_np = np.array(ref)
cp = [[100 for i in range(C)] for _ in range(R)]
cp_np = np.array(cp)
"""

为方便起见，我还设置了一个临时别名pybench：

alias pybench='python3.5 -m timeit -s "$setup" $1'

蟒蛇 3

Python 3.5.0+（默认，2015 年 10 月 11 日，09:05:38）

• 深拷贝：

  >>> pybench "cp = deepcopy(ref)"
  100 loops, best of 3: 8.29 msec per loop
  

• 使用索引修改预先创建的数组：

  >>> pybench \
  "for y in range(R):
      for x in range(C):
          cp[y][x] = ref[y][x]"
  1000 loops, best of 3: 1.16 msec per loop
  

• 嵌套列表理解：

  >>> pybench "cp = [[x for x in row] for row in ref]"
  1000 loops, best of 3: 390 usec per loop
  

• 切片：

  >>> pybench "cp = [row[:] for row in ref]"
  10000 loops, best of 3: 45.8 usec per loop
  

• NumPy 副本：

  >>> pybench "cp_np = np.copy(ref_np)"
  100000 loops, best of 3: 6.03 usec per loop
  

• 复制到预先创建的 NumPy 数组：

  >>> pybench "np.copyto(cp_np, ref_np)"
  100000 loops, best of 3: 4.52 usec per loop
  

这些结果并没有什么令人惊讶的地方，正如您可能已经猜到的那样，使用 NumPy 的速度要快得多，尤其是在避免每次都创建一个新表的情况下。