python – 有效地将每行的元素相乘

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – 有效地将每行的元素相乘，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1566字，纯文字阅读大概需要3分钟。

内容图文

给定ndarray大小(n,3),n大约1000,如何将每行的所有元素相乘,快？下面的(不优雅的)第二种解决方案在大约0.3毫秒内运行,可以改进吗？

# dummy data
n = 999
a = np.random.uniform(low=0, high=10, size=n).reshape(n/3,3)

# two solutions
def prod1(array):
    return [np.prod(row) for row in array]

def prod2(array):
    return [row[0]*row[1]*row[2] for row in array]

# benchmark
start = time.time()
prod1(a)
print time.time() - start
# 0.0015

start = time.time()
prod2(a)
print time.time() - start
# 0.0003

解决方法:

进一步提高绩效

一般来说,一般的经验法则.您正在使用数值数组,因此使用数组而不是列表.列表可能看起来有点像一般数组,但在后端完全不同,绝对不能用于大多数数值计算.

如果你使用Numpy-Arrays编写一个简单的代码,你可以通过简单地进行匹配来获得性能,如图所示.如果使用列表,则可以或多或少地重写代码.

import numpy as np
import numba as nb

@nb.njit(fastmath=True)
def prod(array):
  assert array.shape[1]==3 #Enable SIMD-Vectorization (adding some performance)
  res=np.empty(array.shape[0],dtype=array.dtype)
  for i in range(array.shape[0]):
    res[i]=array[i,0]*array[i,1]*array[i,2]

  return res

使用np.prod(a,axis = 1)并不是一个坏主意,但性能并不是很好.对于只有1000×3的数组,函数调用开销非常重要.当在另一个jitted函数中使用jitted prod函数时,可以完全避免这种情况.

基准

# The first call to the jitted function takes about 200ms compilation overhead. 
#If you use @nb.njit(fastmath=True,cache=True) you can cache the compilation result for every successive call.
n=999
prod1   = 795  μs
prod2   = 187  μs
np.prod = 7.42 μs
prod      0.85 μs

n=9990
prod1   = 7863 μs
prod2   = 1810 μs
np.prod = 50.5 μs
prod      2.96 μs

内容总结

以上是互联网集市为您收集整理的python – 有效地将每行的元素相乘全部内容，希望文章能够帮你解决python – 有效地将每行的元素相乘所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端