哪个是更快的np.vSTACK、np.append、np.comatenate，还是用cython编写的手动函数？

Which one is faster np.vstack, np.append, np.concatenate or a manual function made in cython?(哪个是更快的np.vSTACK、np.append、np.comatenate，还是用cython编写的手动函数？)

问题描述

我编写了一些程序，在每次迭代中更新numpy列表，并对其执行一些操作。迭代次数取决于时间。例如，在1秒内，可能会有1000到2500次迭代。这意味着对于运行程序1秒，数字列表中的项不会超过2500个。

我实现了一个基本算法，但我不确定它是否是计算bonus的最快方法：

import numpy as np

cdef int[:, :] pl_list
cdef list pl_length
cdef list bonus
pl_list = np.array([[8, 7]], dtype=np.int32)

def modify(pl_list, pl_length):
    cdef int k_const = 10
    mean = np.mean(pl_list, axis=0)
    mean = np.subtract(mean, pl_length)
    dev = np.std(pl_list, axis=0)
    mean[0] / dev[0] if dev[0] != 0 else 0
    mean[1] / dev[1] if dev[1] != 0 else 0

    bonus = -1 + (2 / (1 + np.exp(-k_const * mean)))
    return list(bonus)


for i in range(2499): # I just simplified the loop. the main loop works like startTime - time.clock() < seconds
    rand = np.random.randint(8, 64)
    pl_length = [rand, rand-1]

    pl_list = np.append(pl_list, [pl_length], axis=0)
    bonus = modify(pl_list, pl_length)

我想用这些想法来加速这个程序：

1. 使用np.vstack、np.stack或np.concatenate而不是np.append(pl_list, [pl_length])。(哪一个可能更快？)

2. 使用自制函数计算np.std，np.均值如下(因为在cython中在内存视图中迭代太快了)：

   cdef int i,sm = 0
for i in range(pl_list.shape[0]):
    ； ；sm += pl_list[i]
mean = sm/pl_list.shape[0]
   

3. 我还在考虑为内存视图定义一个静态长度(如2500)，这样我就不需要使用np.append，并且我可以在该数字列表上构建一个队列结构。(队列库怎么样？在此类操作中，这比无用列表更快吗？)

如果我的问题太多太复杂，很抱歉。我只是想在速度上获得最好的表现。

推荐答案

忽略modify函数，循环的核心是：

pl_list = np.array([[8, 7]], dtype=np.int32)
....

for i in range(2499):
    ....
    pl_list = np.append(pl_list, [pl_length], axis=0)
    ...

作为一般规则，我们不鼓励在循环中使用np.concatenate及其派生函数。更快的方法是追加到一个列表，并在末尾进行一次连接。(稍后详细说明)

pl_list是列表还是数组？从名称上讲，它是一个列表，但在创建时它是一个数组。我还没有研究过modify，看看它需要数组还是列表。

查看np.append等函数的源代码。基本函数是np.concatenate，它接受一个列表，并沿着指定的轴将它们连接到一个新的数组中。换句话说，它可以很好地处理一长串数组。

np.append用2个参数替换该列表输入。因此，它必须逐一应用。这是一个缓慢的过程。每个追加都会创建一个新数组。

np.hstack只需确保列表元素至少为1维，np.vstack使其为2维，stack添加维度，等等。因此，它们基本上都做同样的事情，只是对输入做了一些微小的调整。

另一种模式是分配一个足够大的数组，例如res = np.zeros((n,2))，然后在res[i,:] = new_value处插入值。速度与列表追加方法大致相同。此模型可以移动到cython和typed memoryviews以获得(潜在的)较大速度提升。

这篇关于哪个是更快的np.vSTACK、np.append、np.comatenate，还是用cython编写的手动函数？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持编程学习网！