为什么列表理解比numpy的用于乘以阵列快得多？为什么列表理解比numpy的用于乘以阵列快得多？(W

最近，我回答到这哪曾想2所列出的乘法问题，一些用户建议使用numpy的下面的方式，沿着我的我认为这是正确的方法：

(a.T*b).T

此外，我发现aray.resize()有这样一个相同的性能。无论如何另一个答案建议使用列表中理解的解决方案：

[[m*n for n in second] for m, second in zip(b,a)]

但基准后，我看到名单理解的性能比numpy的非常快：

from timeit import timeit

s1="""
a=[[2,3,5],[3,6,2],[1,3,2]]
b=[4,2,1]

[[m*n for n in second] for m, second in zip(b,a)]
"""
s2="""
a=np.array([[2,3,5],[3,6,2],[1,3,2]])
b=np.array([4,2,1])

(a.T*b).T
"""

print ' first: ' ,timeit(stmt=s1, number=1000000)
print 'second : ',timeit(stmt=s2, number=1000000,setup="import numpy as np")

结果：

 first:  1.49778485298
second :  7.43547797203

正如你所看到numpy的大约5倍快。但最令人惊讶的事情是，它不使用转置，并为下面的代码速度更快：

a=np.array([[2,3,5],[3,6,2],[1,3,2]])
b=np.array([[4],[2],[1]])

a*b

该列表理解仍然是5时faster.So除了这一点，列表内涵执行用C这里我们使用2嵌套循环和的zip功能，那么可能是什么原因呢？是不是因为操作*在numpy的？

还要注意的是有没有问题timeit这里我的推杆的import部分setup 。

我还与大挂毯试了一下，差越低，但仍然没有任何意义：

s1="""
a=[[2,3,5],[3,6,2],[1,3,2]]*10000
b=[4,2,1]*10000

[[m*n for n in second] for m, second in zip(b,a)]
"""
s2="""
a=np.array([[2,3,5],[3,6,2],[1,3,2]]*10000)
b=np.array([4,2,1]*10000)

(a.T*b).T

"""



print ' first: ' ,timeit(stmt=s1, number=1000)
print 'second : ',timeit(stmt=s2, number=1000,setup="import numpy as np")

结果：

 first:  10.7480301857
second :  13.1278889179

numpy的阵列的创作比创造名单慢得多：

In [153]: %timeit a = [[2,3,5],[3,6,2],[1,3,2]]
1000000 loops, best of 3: 308 ns per loop

In [154]: %timeit a = np.array([[2,3,5],[3,6,2],[1,3,2]])
100000 loops, best of 3: 2.27 µs per loop

通过NumPy的功能发生也可以有固定成本呼叫之前可以通过一个快速底层C / Fortran函数进行计算的肉。这可以包括确保输入是NumPy的阵列，

这些设置/固定成本也有值得牢记假设NumPy的解决方案固有的速度比纯Python解决方案之前。当你一旦建立了大型阵列，然后对阵列进行许多快速NumPy的操作NumPy的眼前一亮。它可能无法超越纯Python如果阵列是小的，因为设置的成本会超过卸载计算以编译的C / Fortran的功能的益处。对于小数组有根本可能没有足够的计算，使其值得的。

如果增加数组的大小了一下，并移动阵列的创作进入设置，然后NumPy的可能比纯Python快得多：

import numpy as np
from timeit import timeit

N, M = 300, 300

a = np.random.randint(100, size=(N,M))
b = np.random.randint(100, size=(N,))

a2 = a.tolist()
b2 = b.tolist()

s1="""
[[m*n for n in second] for m, second in zip(b2,a2)]
"""

s2 = """
(a.T*b).T
"""

s3 = """
a*b[:,None]
"""

assert np.allclose([[m*n for n in second] for m, second in zip(b2,a2)], (a.T*b).T)
assert np.allclose([[m*n for n in second] for m, second in zip(b2,a2)], a*b[:,None])

print 's1: {:.4f}'.format(
    timeit(stmt=s1, number=10**3, setup='from __main__ import a2,b2'))
print 's2: {:.4f}'.format(
    timeit(stmt=s2, number=10**3, setup='from __main__ import a,b'))
print 's3: {:.4f}'.format(
    timeit(stmt=s3, number=10**3, setup='from __main__ import a,b'))

产量