为了提高内存效率,我一直在努力将我的一些代码从列表转换为可能的生成器/迭代器。我发现很多情况下,我只是将np.array
使用代码模式转换成的列表转换为np.array(some_list)
。
值得注意的是,some_list
列表理解通常是在生成器上进行迭代的。
我一直在研究np.fromiter
是否可以更直接地使用生成器(而不是必须先将其转换为列表然后将其转换为numpy数组),但是我注意到该np.fromiter
函数与使用该数组的任何其他数组创建例程不同现有数据需要指定dtype
。
在我的大多数特定情况下,我可以做到这一点(大多数情况下是处理对数似然的,所以float64会很好),但让我感到奇怪的是,为什么这仅对fromiter
数组创建者有用,而对其他数组创建者不是必需的。
我的理解是,如果您知道dtype
和count
,它将允许为结果预分配内存np.array
,并且如果您未指定可选count
参数,它将“按需调整输出数组的大小”。但是,如果您未指定计数,则似乎应该能够dtype
像在正常np.array
通话中一样即时推断运行时间。
我可以看到这对于将数据重播到new中很有用dtype
,但是这对于其他数组创建例程也同样适用,并且似乎值得将放置作为可选但不是必需的参数。
那么为什么需要指定dtype
要使用的呢np.fromiter
?或者换种方式说,dtype
如果指定是否要根据需要调整数组的大小,指定的结果是什么?
与我的问题更直接相关的同一个问题的更微妙的版本:我知道np.ndarray
s的许多效率增益在不断调整大小时会丢失,那么使用np.fromiter(generator,dtype=d)
over np.fromiter([gen_elem for gen_elem in generator],dtype=d)
over会带来np.array([gen_elem for gen_elem in generator],dtype=d)
什么?
如果此代码是十年前编写的,并且没有更改它的压力,那么旧的原因仍然适用。大多数人都乐于使用np.array
。np.fromiter
主要用于试图从迭代生成值的方法中加快速度的人。
我的印象是np.array
,主要选择方案是在决定dtype(和其他属性)之前读取/处理整个输入:
我可以通过更改一个元素来强制返回浮点数:
In [395]: np.array([0,1,2,3,4,5])
Out[395]: array([0, 1, 2, 3, 4, 5])
In [396]: np.array([0,1,2,3,4,5,6.])
Out[396]: array([ 0., 1., 2., 3., 4., 5., 6.])
我用的不是fromiter
很多,但是我的感觉是通过require dtype
,它可以从一开始就将输入转换为该类型。尽管需要时间测试,但最终可能会产生更快的迭代。
我知道np.array
一般性要付出一定的时间成本。通常,对于小型列表,使用列表理解要比将其转换为数组更快,即使数组操作很快速。
一些时间测试:
In [404]: timeit np.fromiter([0,1,2,3,4,5,6.],dtype=int)
100000 loops, best of 3: 3.35 µs per loop
In [405]: timeit np.fromiter([0,1,2,3,4,5,6.],dtype=float)
100000 loops, best of 3: 3.88 µs per loop
In [406]: timeit np.array([0,1,2,3,4,5,6.])
100000 loops, best of 3: 4.51 µs per loop
In [407]: timeit np.array([0,1,2,3,4,5,6])
100000 loops, best of 3: 3.93 µs per loop
差异很小,但表明我的推理是正确的。要求dtype
有助于保持fromiter
更快。count
如此小的尺寸并没有什么不同。
奇怪的是,指定dtype
fornp.array
会减慢它的速度。好像它追加了一个astype
呼叫:
In [416]: timeit np.array([0,1,2,3,4,5,6],dtype=float)
100000 loops, best of 3: 6.52 µs per loop
In [417]: timeit np.array([0,1,2,3,4,5,6]).astype(float)
100000 loops, best of 3: 6.21 µs per loop
使用时,np.array
和之间的区别np.fromiter
更加明显range(1000)
(Python3生成器版本)
In [430]: timeit np.array(range(1000))
1000 loops, best of 3: 704 µs per loop
实际上,将范围转换为列表会更快:
In [431]: timeit np.array(list(range(1000)))
1000 loops, best of 3: 196 µs per loop
但fromiter
仍然更快:
In [432]: timeit np.fromiter(range(1000),dtype=int)
10000 loops, best of 3: 87.6 µs per loop
这是更快以应用int
到float
产生/迭代期间转换整个阵列上,而不是每个元件
In [434]: timeit np.fromiter(range(1000),dtype=int).astype(float)
10000 loops, best of 3: 106 µs per loop
In [435]: timeit np.fromiter(range(1000),dtype=float)
1000 loops, best of 3: 189 µs per loop
注意,astype
调整大小的操作并不是那么昂贵,只有大约20 µs。
===========================
array_fromiter(PyObject *NPY_UNUSED(ignored), PyObject *args, PyObject *keywds)
在以下位置定义:
它在https://github.com/numpy/numpy/blob/97c35365beda55c6dead8c50df785eb857f843f0/numpy/core/src/multiarray/ctors.c中处理keywds
和调用PyArray_FromIter(PyObject *obj, PyArray_Descr *dtype, npy_intp count)
这将ret
使用定义的初始数组dtype
:
ret = (PyArrayObject *)PyArray_NewFromDescr(&PyArray_Type, dtype, 1,
&elcount, NULL,NULL, 0, NULL);
该data
数组的属性与一起增长50% overallocation => 0, 4, 8, 14, 23, 36, 56, 86 ...
,并缩小以适合末尾。
PyArray_DESCR(ret)
显然,此数组的dtype具有可以接受value
(由iterator提供next
),对其进行转换并将其设置在中的函数data
。
`(PyArray_DESCR(ret)->f->setitem(value, item, ret)`
换句话说,所有dtype转换都由定义的dtype完成。如果代码“动态”决定如何转换value
(以及所有先前分配的)代码,则它将变得更加复杂。此函数中的大多数代码都处理分配data
缓冲区。
我等下去np.array
。我敢肯定它要复杂得多。
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句