为什么本机 python 列表上的 for 循环比 numpy 数组上的 for 循环快

Question

我正在阅读介绍高性能 Python 中的numpy 的章节，并在我自己的计算机上使用代码。偶然地，我用 for 循环运行了 numpy 版本，发现与原生 python 循环相比，结果出奇地慢。

代码的简化版本如下，其中我定义了一个带有 0 的二维数组 X 和另一个带有 1 的二维数组 Y，然后重复将 Y 添加到 X，概念上为 X += Y。

import time
import numpy as np

grid_shape = (1024, 1024)

def simple_loop_comparison():
    xmax, ymax = grid_shape

    py_grid = [[0]*ymax for x in range(xmax)]
    py_ones = [[1]*ymax for x in range(xmax)]

    np_grid = np.zeros(grid_shape)
    np_ones = np.ones(grid_shape)

    def add_with_loop(grid, add_grid, xmax, ymax):
        for x in range(xmax):
            for y in range(ymax):
                grid[x][y] += add_grid[x][y]

    repeat = 20
    start = time.time()
    for i in range(repeat):
        # native python: loop over 2D array
        add_with_loop(py_grid, py_ones, xmax, ymax)
    print('for loop with native list=', time.time()-start)

    start = time.time()
    for i in range(repeat):
        # numpy: loop over 2D array
        add_with_loop(np_grid, np_ones, xmax, ymax)
    print('for loop with numpy array=', time.time()-start)

    start = time.time()
    for i in range(repeat):
        # vectorized numpy operation
        np_grid += np_ones
    print('numpy vectorization=', time.time()-start)

if __name__ == "__main__":
    simple_loop_comparison()

结果如下：

# when repeat=10
for loop with native list= 2.545672655105591
for loop with numpy array= 11.622980833053589
numpy vectorization= 0.020279645919799805

# when repeat=20
for loop with native list= 5.195128440856934
for loop with numpy array= 23.241904258728027
numpy vectorization= 0.04613637924194336

我完全希望 numpy 向量化操作优于其他两个，但我惊讶地发现在 numpy 数组上使用 for 循环的结果比原生 python 列表慢得多。我的理解是，至少缓存应该用 numpy 数组相对填满，即使使用 for 循环，它也应该优于没有向量化的列表。

是否有关于 numpy 或 CPU/缓存/内存如何在我不理解的低级别工作？非常感谢。

编辑：更改标题

Answer 1

一个更简单的情况 - 列表和数组上的列表理解：

In [119]: x = list(range(1000000))
In [120]: timeit [i for i in x]
47.4 ms ± 634 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [121]: arr = np.array(x)
In [122]: timeit [i for i in arr]
131 ms ± 3.69 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

列表有一个数据缓冲区，其中包含指向内存中其他对象的指针。因此迭代或索引列表只需要查找该指针并获取对象：

In [123]: type(x[1000])
Out[123]: int

数组将其元素作为字节存储在数据缓冲区中。获取元素需要找到这些字节（快速），然后将它们包装在一个 numpy 对象中（根据 dtype）。这样的对象类似于 0d 单元素数组（具有许多相同的属性）。

In [124]: type(arr[1000])
Out[124]: numpy.int32

此索引不仅获取数字，还会重新创建它。

我经常将对象 dtype 数组描述为增强或降级列表。就像一个列表，它包含指向内存中其他地方的对象的指针，但它不能增长append. 我们经常说它失去了数字数组的许多好处。但它的迭代速度介于另外两个之间：

In [125]: arrO = np.array(x, dtype=object)
In [127]: type(arrO[1000])
Out[127]: int
In [128]: timeit [i for i in arrO]
74.5 ms ± 1.42 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

无论如何，我在其他 SO 答案中发现，如果您必须迭代，请坚持使用列表。如果你从列表开始，坚持使用列表通常会更快。正如您所注意到的，numpy vector速度很快，但创建数组需要时间，这可能会抵消任何节省的时间。

比较从此列表创建数组所需的时间与从头开始创建此类数组所需的时间（使用已编译的 numpy 代码）：

In [129]: timeit np.array(x)
109 ms ± 1.97 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [130]: timeit np.arange(len(x))
1.77 ms ± 31.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)