python行内循环拼接_numpy合并循环数组的array


Python 虽然写起来代码量要远少于如 C++,Java，但运行速度又不如它们，因此也有了各种提升 Python 速度的方法技巧，这次要介绍的是用 Numba 库进行加速比较耗时的循环操作以及 Numpy 操作。

如何加速循环操作，一个办法就是采用 Numba 加速，刚好最近看到一篇文章介绍了利用 Numba 加速 Python ，文章主要介绍了两个例子，也是 Numba 的两大作用，分别是加速循环，以及对 Numpy 的计算加速。


相比其他语言，Python 确实在运行速度上是比较慢的。

一种常用解决方法，就是用如 C++ 改写代码，然后用 Python 进行封装，这样既可以实现 C++ 的运行速度又可以保持在主要应用中采用 Python 的方便。

这种办法的唯一难点就是改写为 C++ 部分的代码需要耗费不少时间，特别是如果你对 C++ 并不熟悉的情况。

Numba 可以实现提升速度但又不需要改写部分代码为其他编程语言。

Numba 简介

Numba 是一个可以将 Python 代码转换为优化过的机器代码的编译库。通过这种转换，对于数值算法的运行速度可以提升到接近 C 语言代码的速度。

采用 Numba 并不需要添加非常复杂的代码，只需要在想优化的函数前 添加一行代码，剩余的交给 Numba 即可。

Numba 可以通过 pip 安装：

$ pip install numba

Numba 对于有许多数值运算的，Numpy 操作或者大量循环操作的情况，都可以大大提升运行速度。

加速 Python 循环

Numba 的最基础应用就是加速 Python 中的循环操作。

首先，如果你想使用循环操作，你先考虑是否可以采用 Numpy 中的函数替代，有些情况，可能没有可以替代的函数。这时候就可以考虑采用 Numba 了。

第一个例子是通过插入排序算法来进行说明。我们会实现一个函数，输入一个无序的列表，然后返回排序好的列表。

我们先生成一个包含 100,000 个随机整数的列表，然后执行 50 次插入排序算法，然后计算平均速度。

代码如下所示：

import timeimport randomnum_loops = 50len_of_list = 100000def insertion_sort(arr): for i in range(len(arr)): cursor = arr[i] pos = i while pos > 0 and arr[pos-1] > cursor: # 从后往前对比，从小到大排序 arr[pos] = arr[pos-1] pos = pos-1 # 找到当前元素的位置 arr[pos] = cursor return arrstart = time.time()list_of_numbers = list()for i in range(len_of_list): num = random.randint(0, len_of_list) list_of_numbers.append(num)for i in range(num_loops): result = insertion_sort(list_of_numbers)end = time.time()run_time = end-startprint('Average time={}'.format(run_time/num_loops))

输出结果：

Average time=22.84399790763855

从代码可以知道插入排序算法的时间复杂度是


python行内循环拼接_python 创建空的numpy数组_02


，因为这里包含了两个循环，for 循环里面带有 while 循环，这是最差的情况。然后输入数量是 10 万个整数，再加上重复 50 次，这是非常耗时的操作了。

原作者采用的是电脑配置是 i7-8700k，所以其平均耗时是 3.0104s。但这里我的电脑配置就差多了，i5-4210M 的笔记本电脑，并且已经使用了接近 4 年，所以我跑的结果是，平均耗时为 22.84s。

那么，如何采用 Numba 加速循环操作呢，代码如下所示：

import timeimport randomfrom numba import jitnum_loops = 50len_of_list = 100000@jit(nopython=True)def insertion_sort(arr): for i in range(len(arr)): cursor = arr[i] pos = i while pos > 0 and arr[pos-1] > cursor: # 从后往前对比，从小到大排序 arr[pos] = arr[pos-1] pos = pos-1 # 找到当前元素的位置 arr[pos] = cursor return arrstart = time.time()list_of_numbers = list()for i in range(len_of_list): num = random.randint(0, len_of_list) list_of_numbers.append(num)for i in range(num_loops): result = insertion_sort(list_of_numbers)end = time.time()run_time = end-startprint('Average time={}'.format(run_time/num_loops))

输出结果：

Average time=0.09438572406768798

可以看到，其实只增加了两行代码，第一行就是导入 jit 装饰器

from numba import jit

接着在函数前面增加一行代码，采用装饰器

@jit(nopython=True)def insertion_sort(arr):

使用 jit 装饰器表明我们希望将该函数转换为机器代码，然后参数 nopython 指定我们希望 Numba 采用纯机器代码，或者有必要的情况加入部分 Python 代码，这个参数必须设置为 True 来得到更好的性能，除非出现错误。

原作者得到的平均耗时是 0,1424s ，而我的电脑上则是提升到仅需 0.094s ，速度都得到非常大的提升。

加速 Numpy 操作

Numba 的另一个常用地方，就是加速 Numpy 的运算。

这次将初始化 3 个非常大的 Numpy 数组，相当于一个图片的尺寸大小，然后采用 numpy.square() 函数对它们的和求平方。

代码如下所示：

import timeimport numpy as npnum_loops = 50img1 = np.ones((1000, 1000), np.int64) * 5img2 = np.ones((1000, 1000), np.int64) * 10img3 = np.ones((1000, 1000), np.int64) * 15def add_arrays(img1, img2, img3): return np.square(img1+img2+img3)start1 = time.time()for i in range(num_loops): result = add_arrays(img1, img2, img3)end1 = time.time()run_time1 = end1 - start1print('Average time for normal numpy operation={}'.format(run_time1/num_loops))

输出结果：

Average time for normal numpy operation=0.040156774520874024

当我们对 Numpy 数组进行基本的数组计算，比如加法、乘法和平方，Numpy 都会自动在内部向量化，这也是它可以比原生 Python 代码有更好性能的原因。

上述代码在原作者的电脑运行的速度是 0.002288s ，而我的电脑需要 0.04s 左右。

但即便是 Numpy 代码也不会和优化过的机器代码速度一样快，因此这里依然可以采用 Numba 进行加速，代码如下所示：

# numba 加速from numba import vectorize, int64@vectorize([int64(int64,int64,int64)], target='parallel')def add_arrays_numba(img1, img2, img3): return np.square(img1+img2+img3)start2 = time.time()for i in range(num_loops): result = add_arrays_numba(img1, img2, img3)end2 = time.time()run_time2 = end2 - start2print('Average time using numba accelerating={}'.format(run_time2/num_loops))

输出结果：

Average time using numba accelerating=0.007735490798950195

这里采用的是 vectorize 装饰器，它有两个数参数，第一个参数是指定需要进行操作的 numpy 数组的数据类型，这是必须添加的，因为 numba 需要将代码转换为最佳版本的机器代码，以便提升速度；

第二个参数是 target ，它有以下三个可选数值，表示如何运行函数：

  • cpu：运行在单线程的 CPU 上
  • parallel：运行在多核、多线程的 CPU
  • cuda：运行在 GPU 上

parallel 选项在大部分情况是快过 cpu ，而 cuda 一般用于有非常大数组的情况。

上述代码在原作者的电脑运行时间是 0.001196s ，提升了 2 倍左右，而我的电脑是 0.0077s，提升了 5 倍左右速度。

小结

numba 在以下情况下可以更好发挥它提升速度的作用：

  • Python 代码运行速度慢于 C代码的地方，典型的就是循环操作
  • 在同个地方重复使用同个操作的情况，比如对许多元素进行同个操作，即 numpy数组的操作

而在其他情况下，Numba 并不会带来如此明显的速度提升，当然，一般情况下尝试采用 numba 提升速度也是一个不错的尝试。

最后，练习代码：

https://github.com/ccc013/Python_Notes/blob/master/Python_tips/numba_example.ipynb