这是一个可以使用
dask 模块帮助解决的问题。
让我们先创建两个数组
a1 和
a2。它们可以有任意形状，但在这个例子中，我们将它们设置为
n 行
n 列，其中
n=30。我们将这些数组展平并堆叠在一起，形成一个形状为 (2,900) 的单个大数组。沿着
axis=1 维度的每对元素都是在
a1 和
a2 上相同位置的一对元素：
In[1]:
import numpy as np
n = 30
a1 = np.random.rand(n, n)
a2 = np.random.rand(n, n)
a = np.stack((a1.flat, a2.flat))
a.shape
Out[1]:
(2, 900)
然后我们将数组分成块。我们选择250个块：
In[2]:
chunks = np.array_split(a, 250, axis=1)
len(chunks)
Out[2]:
250
In[3]:
chunks[0]
Out[3]:
array([[ 0.54631022, 0.8428954 , 0.11835531, 0.59720379],
[ 0.51184696, 0.64365038, 0.74471553, 0.67035977]])
现在我们将定义一个名为
slow_function 的函数，它将扮演问题中描述的缓慢计算的角色。我们还定义了一种使用
numpy 将该函数应用于其中一个块的方法。
In[4]:
def slow_function(pair):
return np.asscalar(pair[0]) + np.asscalar(pair[1])
def apply_on_chunk(chunk):
return np.apply_along_axis(slow_function, 0, chunk)
apply_on_chunk(chunks[0])
Out[4]:
array([ 1.05815717, 1.48654578, 0.86307085, 1.26756356])
在上面，请注意
apply_on_chunk无论块中的
axis=1大小如何都可以工作。换句话说，我们可以直接调用
apply_on_chunk(a)来计算整个初始数组的结果。
使用dask.bag并行化
现在我们展示如何使用dask.bag对象的map方法沿着块并行化计算：
In[5]:
import dask.bag as db
mybag = db.from_sequence(chunks)
In[6]:
%time myresult = mybag.map(apply_on_chunk)
Out[6]:
CPU times: user 4 ms, sys: 0 ns, total: 4 ms
Wall time: 1.62 ms
此时我们还没有计算任何东西。我们已经向dask描述了我们想要计算结果的方式。这一步骤相对较快，大约需要1.6毫秒。
接下来触发实际计算，我们调用myresult上的compute方法。
In[7]:
%time myresult = myresult.compute()
Out[7]:
CPU times: user 256 ms, sys: 24 ms, total: 280 ms
Wall time: 362 ms
以上代码需要运行1/3秒左右的时间。我们得到一个数组列表，对应于在中每个元素上调用的结果。我们检查其中的前五个：
In[8]:
myresult[:5]
Out[8]:
[array([ 1.05815717, 1.48654578, 0.86307085, 1.26756356]),
array([ 1.48913909, 1.25028145, 1.36707112, 1.04826167]),
array([ 0.90069768, 1.24921559, 1.23146726, 0.84963409]),
array([ 0.72292347, 0.87069598, 1.35893143, 1.02451637]),
array([ 1.16422966, 1.35559156, 0.9071381 , 1.17786002])]
如果我们真的想要最终形式的结果，我们必须调用
np.concatenate来将所有块的结果合并在一起。我们在下面执行此操作，并显示计算性能：
In[9]:
%time myresult = np.concatenate(\
db.from_sequence(\
np.array_split(np.stack((a1.flat, a2.flat)), 250, axis=1)\
).map(apply_on_chunk).compute())
Out[9]:
CPU times: user 232 ms, sys: 40 ms, total: 272 ms
Wall time: 342 ms
完整的计算将结果存储在单个数组中，需要略微超过1/3秒的时间运行。
假设我们直接对整个数组进行计算，而不使用任何并行化技术，那会怎样呢？
In[10]:
%time myresult_ = np.apply_along_axis(slow_function, 0, np.stack((a1.flat, a2.flat)))
Out[10]:
CPU times: user 12 ms, sys: 0 ns, total: 12 ms
Wall time: 12.9 ms
直接计算速度要快得多。但这是因为此时的“slow_function”并不真的很慢。它只是两个元素的求和，所以根本不需要太多时间。我们在“dask.bag”计算中看到的迟缓是并行化带来的开销。
让我们再试一次，但这次使用一个真正缓慢的函数，每个调用大约需要20毫秒：
In[11]:
n = 30
a1 = np.random.rand(n, n)
a2 = np.random.rand(n, n)
import time
def slow_function(pair):
time.sleep(0.02)
return np.asscalar(pair[0]) + np.asscalar(pair[1])
def apply_on_chunk(chunk):
return np.apply_along_axis(slow_function, 0, chunk)
让我们比较一下
dask 能做什么，与直接在整个数组上运行计算的区别：
In[12]:
%time myresult = np.concatenate(\
db.from_sequence(\
np.array_split(np.stack((a1.flat, a2.flat)), 250, axis=1)\
).map(apply_on_chunk).compute())
Out[12]:
CPU times: user 236 ms, sys: 20 ms, total: 256 ms
Wall time: 4.75 s
In[13]:
%time myresult_ = np.apply_along_axis(slow_function, 0, np.stack((a1.flat, a2.flat)))
Out[13]:
CPU times: user 72 ms, sys: 16 ms, total: 88 ms
Wall time: 18.2 s
正如可以看到的那样，
dask 利用多进程来加速计算。我们获得了大约4倍的加速效果。
为了完整起见，我们展示了使用
dask 和直接计算得出的结果是一致的：
In[14]:
np.testing.assert_array_equal(myresult, myresult_)
print("success")
Out[14]:
success
请注意，问题中的函数返回一个元组。
np.asarray(xs), np.asarray(ys), np.asarray(idxs)
我们所描述的只涉及计算
np.asarray(idxs)。如果知道原始数组
a1 和
a2 的形状，可以很容易地获得返回元组中的前两个项。
xs = [None]*size_of_large_numpy_array_1。然后使用索引赋值：xs[i] = x。这将显著提高大型数组的速度。 - screenpaver