Python Numpy - numpy 轴性能

Question

默认情况下，numpy 是行主要的。\n因此，以下结果对我来说是自然接受的。

\n\n

a = np.random.rand(5000, 5000)\n\n%timeit a[0,:].sum()\n3.57 \xc2\xb5s \xc2\xb1 13.9 ns per loop (mean \xc2\xb1 std. dev. of 7 runs, 100000 loops each)\n\n%timeit a[:,0].sum()\n38.8 \xc2\xb5s \xc2\xb1 8.19 ns per loop (mean \xc2\xb1 std. dev. of 7 runs, 10000 loops each)\n

\n\n

因为是行主序，自然是通过[0,:]来计算更快。\n但是，如果使用numpy sum函数，结果就不一样了。

\n\n

%timeit a.sum(axis=0)\n16.9 ms \xc2\xb1 13.5 \xc2\xb5s per loop (mean \xc2\xb1 std. dev. of 7 runs, 100 loops each)\n\n%timeit a.sum(axis=1)\n29.5 ms \xc2\xb1 90.3 \xc2\xb5s per loop (mean \xc2\xb1 std. dev. of 7 runs, 10 loops each)\n

\n\n

如果使用 numpy sum 函数，沿列计算它会更快。

\n\n

所以我的观点是为什么沿轴= 0（沿列计算）的速度比沿轴= 1（沿行）更快。

\n\n

例如

\n\n

a = np.array([[0, 1, 2],\n[3, 4, 5],\n[6, 7, 8]], order='C')\n

\n\n

按照行主顺序，[1,2,3]和[4,5,6]，[7,8,9]分别分配到相邻的内存。

\n\n

因此，沿 axis = 1 计算的速度应该比 axis = 0 快。\n但是，当使用 numpy sum 函数时，沿列（axis = 0）计算速度更快。

\n\n

你如何解释这一点？

\n\n

谢谢

\n

Answer 1

你不计算同样的事情。

前两个命令仅计算整个数组中的一行/列。

a[0, :].sum().shape   # sums just the first row only
()

后两个命令对二维数组的全部内容求和，但沿着某个轴。这样，您不会得到单个结果（如前两个命令中所示），而是得到一个一维总和数组。

a.sum(axis=0).shape   # computes the row-wise sum for each column
(5000,)

总之，两组命令执行不同的操作。

a
array([[1, 6, 9, 1, 6],
       [5, 6, 9, 1, 3],
       [5, 0, 3, 5, 7],
       [2, 8, 3, 8, 6],
       [3, 4, 8, 5, 0]])

a[0, :]
array([1, 6, 9, 1, 6])

a[0, :].sum()
23

a.sum(axis=0)
array([16, 24, 32, 20, 22])