Python中转置函数的区别

Question

我正在生成一个大矩阵（100x100，我们称之为X），其中包含随机数字，使用numpy.matrix()使其成为numpy.ndarray。

我一直在想这两个操作之间是否有区别：

1. numpy.transpose(X)
2. X.T

我用1000的范围内循环测量了每个操作的时间，结果表明X.T比numpy.transpose(X)快得多。

添加基准测试：

对于一个100x100的矩阵，我通过X.T和numpy.tranpose(X)获得了以下结果：

在10,000范围内循环：

• 7421/10,000: X.T最快
• 1256/10,000: numpy.transpose(X)最快
• 1323/10,000: 相同的计算时间或差异太小无法确定

添加以下代码：

    import numpy as np
    import time

    np_transpose_count = 0
    T_transpose_count = 0
    equal_count = 0

    for i in range(10000):
       Se = np.random.rand(100,100)

       tic1 =time.clock()
       ST_T = Se.T
       toc1=time.clock()

       tic2 =time.clock()
       ST_np = np.transpose(Se)
       toc2=time.clock()

       if (toc1-tic1) < (toc2-tic2):
           T_transpose_count+=1
       elif (toc1-tic1) > (toc2-tic2):
           np_transpose_count+=1
       else:
           equal_count+=1

    print(T_transpose_count, np_transpose_count, equal_count)

敬祝商祺 Whir

- Whir

---

有趣。我不理解你基准测试的单位。你能更新一下吗？在我的系统上，看起来 X.T 比 X.transpose() 快20-30%（使用 %timeit 在100x100或10000x10000数组上）。 - user20160

此外，在我的系统上，np.transpose(X) 比 x.T 慢了 120-130%。也许函数调用会有一些额外的开销（x.transpose() 是一个函数，而 x.T 不是）。np.transpose() 是一个带有一些包装代码的 Python 函数，因此存在一些额外的开销。 - user20160

Answer 1

使用IPython的%timeit魔法命令，我得到了以下结果：

In [218]: X=np.ones((100,100))

In [219]: timeit X.T
1000000 loops, best of 3: 379 ns per loop

In [220]: timeit X.transpose()
1000000 loops, best of 3: 470 ns per loop

In [221]: timeit np.transpose(X)
1000000 loops, best of 3: 993 ns per loop

In [222]: timeit X+1
10000 loops, best of 3: 21.6 µs per loop

所以，是的，.T 是最快的，而函数是最慢的。但将这些时间与简单加法的时间进行比较。

或者复制或切片的时间。

In [223]: timeit X.copy()
100000 loops, best of 3: 10.8 µs per loop

In [224]: timeit X[:]
1000000 loops, best of 3: 465 ns per loop

转置在所有形式中都返回一个新的数组对象，具有新的shape和strides，但共享数据缓冲区（查看.__array_interface__字典）。因此，它需要与返回view的其他操作大致相同的时间。但是，没有任何转置函数会复制数据或迭代数据。因此，时间差异只是调用开销的结果。

再次使用ipython魔法

np.transpose??
def transpose(a, axes=None):
    try:
        transpose = a.transpose
    except AttributeError:
        return _wrapit(a, 'transpose', axes)
    return transpose(axes)

因此，np.function(X)最终会调用X.transpose()。

我需要查看numpy的代码，但我记得.T被实现为一个属性（不完全相同于属性）。 我怀疑它更快，因为它不使用axes参数，从而节省了一个或两个C函数调用。

- hpaulj

---

感谢您的详细回复。对于我理解这个问题非常有帮助。 - Whir