纯python比numpy更快的数据类型转换

Question

请原谅我的无知。

如果numpy提供向量化运算以加快计算速度，那么对于数据类型转换而言，纯python的速度几乎快8倍吗？

例如

a = np.random.randint(0,500,100).astype(str)
b = np.random.randint(0,500,100).astype(str)
c = np.random.randint(0,500,100).astype(str)

def A(a,b,c):
    for i,j,k in zip(a,b,c):
        d,e,f = int(i), int(j), int(k)
        r = d+e-f
    return 

def B(a,b,c):
    for i,j,k in zip(a,b,c):
        d,e,f  = np.array([i,j,k]).astype(int)
        r = d+e-f
    return 

然后，

%%timeit 
A(a,b,c)

每个回路249 µs±3.13 µs（平均±标准偏差，共运行7次，每个回路1000个）

%%timeit
B(a,b,c)

每个循环1.87 ms±4.08 µs（平均±标准偏差，共运行7次，每个循环1000个）

谢谢你，爱丽儿

Answer 1

是的，NumPy 确实提供矢量化运算，这些运算使计算速度比原始Python代码更快。但是，您没有使用它们。

NumPy旨在跨整个数据集执行操作，跨数据集块执行的重复操作不多。后者导致迭代在Python级别完成，这将增加运行时间。

您的主要问题是，您正在使用的唯一“向量化”操作是astype，但是您一次将其应用于三个元素，并且仍然像幼稚的Python解决方案一样循环。再加上在循环的每次迭代中创建numpy数组都会产生额外开销的事实，因此使用numpy进行尝试的速度变慢也就不足为奇了。

在小型数据集上，Python 可能会更快，因为NumPy具有创建数组，将对象与低级库之间来回传递等开销。让我们来看一下一次在三个元素上使用的强制转换操作：

%timeit np.array(['1', '2', '3']).astype(int)
5.25 µs ± 89.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%timeit np.array(['1', '2', '3'])
1.62 µs ± 42.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

超过四分之一的运行时间仅来自于分配数组！将此与您的纯Python版本进行比较：

%timeit a, b, c = int('1'), int('2'), int('3')
659 ns ± 50.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

因此，如果仅对这种大小的块进行操作，Python将击败NumPy。

但是，除了三个元素之外，您还有更多的元素，因此可以使用NumPy 大大加快代码的速度，但是您需要改变对解决问题的态度。与其关注于如何将运算应用于单个标量，不如考虑如何将运算应用于数组。

为了解决这个问题，总体思路是：

• 创建一个包含所有值的数组
• int一次astype调用即可将整个数组转换为。
• 提前进行逐元素运算，以将所需的算术应用于数组。

最终看起来像这样：

def vectorized(a, b, c):
    u = np.array([a, b, c]).astype(int)
    return u[0] + u[1] - u[2]

一旦比较了正确使用NumPy的两种方法，您将开始看到性能大幅提高。

def python_loop(a, b, c):
    out = []
    for i,j,k in zip(a,b,c):
        d,e,f = int(i), int(j), int(k)
        out.append(d+e-f)
    return out

a, b, c = np.random.randint(0, 500, (3, 100_000)).astype(str)

In [255]: %timeit vectorized(a, b, c)
181 ms ± 6.07 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [256]: %timeit python_loop(a, b, c)
206 ms ± 7.97 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> np.array_equal(python_loop(a, b, c), vectorized(a, b, c))
True

从字符串转换为整数并不意味着NumPy会比纯Python快得多，从时间上可以看出，两者相当接近。但是，通过应用矢量化方法，比较至少要公平得多。