python中的Numpy二維數(shù)組遍歷與二維數(shù)組切片后遍歷效率比較

更新時間：2022年03月01日 11:23:54 作者：大DDDDD

這篇文章主要介紹了python中的Numpy二維數(shù)組遍歷與二維數(shù)組切片后遍歷效率比較，在python-numpy使用中，可以用雙層?for循環(huán)對數(shù)組元素進行訪問，也可以切片成每一行后進行一維數(shù)組的遍歷，下面小編擊來舉例介紹吧,需要的朋友可以參考一下

在python-numpy使用中，可以用雙層 for循環(huán)對數(shù)組元素進行訪問，也可以切片成每一行后進行一維數(shù)組的遍歷。

代碼如下：

import numpy as np
import time
NUM = 160


a=np.random.random((NUM,NUM))
start = time.time()
for i in range(NUM):
? ? for j in range(NUM):
? ? ? ? if a[i][j] == 1.0:
? ? ? ? ? ? pass
end1 = ?time.time()

for ii in range(NUM):
? ? b = a[ii,:]
? ? for jj in range(NUM):
? ? ? ? if b[jj] == 1.0:
? ? ? ? ? ? pass?
end2 = ?time.time()
print("end1",end1-start)
print("end2",end2-end1)

由于生成的是[0,1)中的數(shù)，因此兩種操作會遍歷所有的元素。多輪測試后，耗時如下:

當NUM為160時：

end1 0.006983518600463867
end2 0.003988742828369141

當NUM為1600時：

end1 0.71415114402771
end2 0.45178747177124023

結論：切片后遍歷更快
原因：
樓主還暫不明確

一個想法：

b=a[ii,:]

在numpy中，為了提高效率，這種切片出來的子矩陣其實都是原矩陣的引用而已，所以改變子矩陣，原矩陣還是會變的
所以在內(nèi)層循環(huán)中，第二種方法是在那一行元素所在的內(nèi)存進行尋找。而第一種方法是先定位到行，再定位到列，所以比較慢？
大家是怎么想的呢？

關于numba在小數(shù)據(jù)量下的速度慢于普通操作

什么是numba？

numba

實驗比較：

import numpy as np
import time
NUM = 160
from numba import jit
a=np.random.random((NUM,NUM))

@jit(nopython=True)
def fun1(a):
? ? for i in range(NUM):
? ? ? ? for j in range(NUM):
? ? ? ? ? ? if a[i][j] == 1.0:
? ? ? ? ? ? ? ? pass

def fun2(a):
? ? for i in range(NUM):
? ? ? ? for j in range(NUM):
? ? ? ? ? ? if a[i][j] == 1.0:
? ? ? ? ? ? ? ? pass
? ??
@jit(nopython=True)
def fun3(a):
? ? for ii in range(NUM):
? ? ? ? b = a[ii,:]
? ? ? ? for jj in range(NUM):
? ? ? ? ? ? if b[jj] == 1.0:
? ? ? ? ? ? ? ? pass?


def fun4(a):
? ? for iii in range(NUM):
? ? ? ? b = a[iii,:]
? ? ? ? for jjj in range(NUM):
? ? ? ? ? ? if b[jjj] == 1.0:
? ? ? ? ? ? ? ? pass?

start = time.time()
fun1(a)
end1 = ?time.time()
fun2(a)
end2 = ?time.time()
fun3(a)
end3 = ?time.time()
fun4(a)
end4 = ?time.time()
print("end1",end1-start)
print("end2",end2-end1)
print("end3",end3-end2)
print("end4",end4-end3)

首先，當NUM為1600時，結果如下：

end1 0.2991981506347656 #無切片，有加速
end2 0.6372940540313721 #無切片，無加速
end3 0.08377814292907715 #有切片，有加速
end4 0.358079195022583 #有切片，無加速

其他條件相同的情況下，有切片的速度更快。同樣，有numba加速的也比沒加速的快。
但當NUM =160時，結果如下：

end1 0.29620814323425293 #無切片，有加速
end2 0.006980180740356445 #無切片，無加速
end3 0.08580684661865234 #有切片，有加速
end4 0.0029993057250976562 #有切片，無加速

有切片依舊比無切片的快。但是有numba加速的卻比沒有numba加速的慢。
原來@jit(nopython=True)只是對函數(shù)進行修飾，第一次調用會進行編譯，編譯成機器碼，之后速度就會很快。

實驗代碼如下：

import numpy as np
import time
NUM = 160
from numba import jit
a=np.random.random((NUM,NUM))

@jit(nopython=True)
def fun1(a):
? ? for i in range(NUM):
? ? ? ? for j in range(NUM):
? ? ? ? ? ? if a[i][j] == 1.0:
? ? ? ? ? ? ? ? pass

def fun2(a):
? ? for i in range(NUM):
? ? ? ? for j in range(NUM):
? ? ? ? ? ? if a[i][j] == 1.0:
? ? ? ? ? ? ? ? pass
? ??
@jit(nopython=True)
def fun3(a):
? ? for ii in range(NUM):
? ? ? ? b = a[ii,:]
? ? ? ? for jj in range(NUM):
? ? ? ? ? ? if b[jj] == 1.0:
? ? ? ? ? ? ? ? pass?


def fun4(a):
? ? for iii in range(NUM):
? ? ? ? b = a[iii,:]
? ? ? ? for jjj in range(NUM):
? ? ? ? ? ? if b[jjj] == 1.0:
? ? ? ? ? ? ? ? pass?

for b in range(4):
? ? start = time.time()
? ? fun1(a)
? ? end1 = ?time.time()
? ? fun2(a)
? ? end2 = ?time.time()
? ? fun3(a)
? ? end3 = ?time.time()
? ? fun4(a)
? ? end4 = ?time.time()
? ? print("end1",end1-start)
? ? print("end2",end2-end1)
? ? print("end3",end3-end2)
? ? print("end4",end4-end3)
? ? print("---")

結果如下：

end1 0.29421305656433105
end2 0.0059833526611328125
end3 0.08181905746459961
end4 0.0029909610748291016
---
end1 0.0
end2 0.005949735641479492
end3 0.0
end4 0.004008769989013672
---
end1 0.0
end2 0.006977558135986328
end3 0.0
end4 0.00399017333984375
---
end1 0.0
end2 0.005974292755126953
end3 0.0
end4 0.003837108612060547
---