我编写了一些程序,在每次迭代中更新一个numpy
列表,并对其进行一些操作。迭代次数取决于时间。例如,在1秒钟内,可能会有1000到2500次迭代。这意味着运行程序1秒钟后,numpy列表中的项不会超过2500个。
我已经实现了一个基本算法,但我不确定它是否是计算bonus
最快的方法:
import numpy as np
cdef int[:, :] pl_list
cdef list pl_length
cdef list bonus
pl_list = np.array([[8, 7]], dtype=np.int32)
def modify(pl_list, pl_length):
cdef int k_const = 10
mean = np.mean(pl_list, axis=0)
mean = np.subtract(mean, pl_length)
dev = np.std(pl_list, axis=0)
mean[0] / dev[0] if dev[0] != 0 else 0
mean[1] / dev[1] if dev[1] != 0 else 0
bonus = -1 + (2 / (1 + np.exp(-k_const * mean)))
return list(bonus)
for i in range(2499): # I just simplified the loop. the main loop works like startTime - time.clock() < seconds
rand = np.random.randint(8, 64)
pl_length = [rand, rand-1]
pl_list = np.append(pl_list, [pl_length], axis=0)
bonus = modify(pl_list, pl_length)
我在考虑使用以下方法来加速这个程序:
- 使用
np.vstack
、np.stack
或者np.concatenate
代替np.append(pl_list, [pl_length])
。(哪个更快?) 使用自己编写的函数来计算np.std、np.mean,例如:
cdef int i,sm = 0
for i in range(pl_list.shape[0]):
sm += pl_list[i]
mean = sm/pl_list.shape[0]
我还考虑为memoryviews定义一个静态长度(如2500),这样就不需要使用
np.append
了,而且可以在numpy列表上构建队列结构。(Queue库在这种操作中是否比numpy列表更快?)
如果我的问题太多或太复杂,请谅解。我只是想获得最佳性能。