NumPy的数学函数比Python的快吗？

Question

我有一个由基本数学函数（abs、cosh、sinh、exp等）组合定义的函数。

我想知道使用 numpy.abs() 而不是 abs() 是否会在速度上有所差异？

- Mermoz

---

使用timeit。 - Humphrey Bogart

没有 math.abs()。我猜你是指 abs()？ - Eric O. Lebigot

@EOL 是的，抱歉，我编辑了问题。谢谢。 - Mermoz

Answer 1

这里是时间结果：

lebigot@weinberg ~ % python -m timeit 'abs(3.15)' 
10000000 loops, best of 3: 0.146 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'from numpy import abs as nabs' 'nabs(3.15)'
100000 loops, best of 3: 3.92 usec per loop

numpy.abs()比abs()慢，因为它还处理Numpy数组：它包含额外的代码以提供此灵活性。

然而，对于数组，Numpy确实很快：

lebigot@weinberg ~ % python -m timeit -s 'a = [3.15]*1000' '[abs(x) for x in a]'
10000 loops, best of 3: 186 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'import numpy; a = numpy.empty(1000); a.fill(3.15)' 'numpy.abs(a)'
100000 loops, best of 3: 6.47 usec per loop

(PS: '[abs(x) for x in a]'在Python 2.7中比更好的map(abs, a)要慢，后者快约30%，但仍然比NumPy慢得多。)

因此，对于1000个元素而言，numpy.abs()所需的时间与1个单独的浮点数差别不大！

- Eric O Lebigot

---

很不错，如果能够得到运行命令 "python -m timeit -s 'import numpy' -s 'a=numpy.array((1,)*1000)' 'numpy.abs(a)'" 的结果将非常好，这可以展示 NumPy 的数组在速度方面的优势。 - BatchyX

似乎你的timeit包括导入numpy，仅导入numpy就需要几秒钟时间。此外，在你的第二个示例中，我想知道Python基本的"abs"函数花费的时间是否更多来自于列表推导式而不是"abs"函数本身？ - tbhartman

请注意在 timeit 命令中给出的 -s 选项：import numpy 实际上只在 设置 期间执行了 一次，并不会计时。至于 abs() 的示例，用 x 替换 abs(x) 后可以看出 abs() 使用了一半的总运行时间。无论如何，重点仍然相同：与纯（CPython 解释的）Python 相比，NumPy 真的非常快。 - Eric O. Lebigot

Answer 2

您应该使用numpy函数来处理numpy的类型，使用常规python函数来处理常规python类型。

最差的性能通常出现在混合使用python内置类型和numpy时，因为需要进行类型转换。虽然这些类型转换已经得到了优化，但不使用它们通常仍然更好。当然，效果因人而异，所以请使用分析工具来找出最佳方案。

此外，考虑使用像cython这样的程序或制作C模块，如果您想进一步优化程序。或者在性能要求高时不使用python。

但是，当您的数据被放入numpy数组中时，numpy可以非常快地计算大量数据。

- BatchyX

Answer 3

事实上，在numpy数组中，内置的abs通过__abs__调用了numpy的实现，详见为什么内置函数如abs在numpy数组上有效？。因此，理论上性能差异不应该很大。

import timeit
 
x = np.random.standard_normal(10000)
 
def pure_abs():
    return abs(x)
 
def numpy_abs():
    return np.abs(x)
 
n = 10000
 
t1 = timeit.timeit(pure_abs, number = n)
print('Pure Python abs:', t1)
t2 = timeit.timeit(numpy_abs, number = n)
print('Numpy abs:', t2)
Pure Python abs: 0.435754060745
Numpy abs: 0.426516056061

- colinfang