欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python科学计算学习之高级数组(二)

程序员文章站 2022-09-30 10:37:06
背景:Python是一种解释型的编程语言,基本的python代码不需要任何中间编译过程来得到机器代码,而是直接执行。而对于C、C++等编译性语言就需要在执行代码前将其编译为机器指令。 但是,解释型代码的速度比编译型代码要慢,为了使得python代码更快,最好尽可能的使用Numpy和Scipy包中的函 ......
  1. 代码性能和向量化

  背景:python是一种解释型的编程语言,基本的python代码不需要任何中间编译过程来得到机器代码,而是直接执行。而对于cc++等编译性语言就需要在执行代码前将其编译为机器指令。 但是,解释型代码的速度比编译型代码要慢,为了使得python代码更快,最好尽可能的使用numpyscipy包中的函数编写部分代码。(注意:numpyscipy是诸如cc++等编译型语言编写实现的)

例如:python语言的numpy向量化语句为什么比for快?

python之类语言的for循环,和其它语言相比,额外付出了什么。

python是解释执行的。举例来说,执行 x = 1234+5678 ,对编译型语言,是从内存读入两个short int到寄存器,然后读入加法指令,通知cpu内部的加法器动作,最后把加法器输出存储到x对应的内存单元(实质上,最后这个动作几乎总会被自动优化为把加法器输出暂存到寄存器而不是内存单元,因为访问内存的时间消耗常常是访问寄存器的几十倍)。一共2~4条指令(视不同cpu指令集而定)。

而换了解释性语言,它得先把“x = 1234+5678”当成字符串,逐个字符比对以分析语法结构——不计空格这也是11个字符,至少要做11个循环;每个循环至少需要执行的指令有:取数据(如读'x'这个字符)、比较数据、根据比较结果跳转(可能还得跳转回来)、累加循环计数器、检查循环计数器是否到达终值、根据比较结果跳转。这就是至少6条指令,其中包含一次内存读取、至少两次分支指令(现代cpu有分支预测,若命中无额外消耗,否则……)。总计66条指令,比编译型语言慢至少17倍(假设每条指令执行时间相同。但事实上,访存/跳转类指令消耗的时间常常是加法指令的十倍甚至百倍)。这还只是读入源码的消耗,尚未计入语法分析这个大头;加上后,起码指令数多数百倍(消耗时间嘛……我猜起码得多数千倍吧)。

  1. 向量化

     为提升代码的性能(运行时间),通常需要将代码向量化。使numpy包的切片、运算符和函数来替代代码中的for循环以及运行速度较慢的代码片段,可以显著提高代码的性能。

规则:尽可能避免使用for循环而采用向量化形式,善用pythonnumpy库中的内置函数。例如:np.exp ,np.log ,np.maxmum(v,0) 等。

简单实例进行说明:

import numpy as np

import time

 a = np.random.rand(1000000)

b = np.random.rand(1000000)

tic = time.time()       

c = np.dot(a, b)       #向量化运算

toc = time.time()

print("c: %f" % c)

print("vectorized version:" + str(1000*(toc-tic)) + "ms")

#采用for循环语句进行编程

c = 0

tic = time.time()

for i in range(1000000):

    c += a[i] * b[i]

toc = time.time()

print("c: %f" % c)

print("for loop:" + str(1000*(toc-tic)) + "ms")

运行结果:

c: 250099.479223

vectorized version:32.00173377990723ms

c: 250099.479223

for loop:1680.09614944458ms  #可见,向量化的实现代码速度上有飞速提升,而且代码看起#来更加简洁。

##说明,无论有多长的数据列表并且需要对他们进行数学转换,考虑将这些python数据

结构转换为numpy.ndarray对象并使用固有的矢量化功能。

  1. python广播

     当两个数组中每个元素都进行相应的运算的时候,需要两个数组的形状相同,如果形状不同,则使python的广播机制进行处理。例如,当一个向量(一维数组)和一个标量(零维数组)相加时,为了能够执行加法,标量需扩展为向量,这种通用机制称为广播。

3.1广播数组:

“广播”的一个工作原则是:两个数组的维度应该相同(即要对一个二维数组进行广播,那么用来广播的数组也应该是二维的),并且只能有一个维度的长度允许不一样,且那个不一样的维度在用来广播的数组里面的长度应该为1(比如,对于一个(3,4)的二维数组,那么用来广播的数组必须是(3,1)或(1,4);比如对于一个三维的数组(3,4,5),用来广播的数组必须是(1,4,5)或(3,1,5)或(3,4,1)),这样子,我们才说两个数组是广播兼容的。广播会在沿着长度为1的那个维度进行扩散进行。(广播原则:如果两个数组的后缘维度(即:从末尾算起的维度)的轴长相符或者其中的一方长度为1,则认为广播兼容,广播在缺失和长度为1的轴上进行)

如下实例:说明广播是如何操作的:重塑、扩展

import numpy as np

a=np.arange(0,60,10).reshape(-1,1) #建立一个二维数组,形状数(6,1)

print(a.shape)

print(a)

b=np.arange(0,5)   #建立一个一维数组b(向量),形状为(5,)

print(b.shape)

print(b)

c=a+b          #注意:此处向量需要被广播,第一运算步骤为:重塑,将向量的形状从(5,)转换为(1,5)。第二步运算是扩展,将向量的形状从(1,5)转换为(6,5)。              #注意:形状(n,)不能自动广播到向量(m,n)

print(c.shape)

print(c)

运行结果:

(6, 1)

[[ 0]

 [10]

 [20]

 [30]

 [40]

 [50]]

(5,)

[0 1 2 3 4]

(6, 5)

[[ 0  1  2  3  4]

 [10 11 12 13 14]

 [20 21 22 23 24]

 [30 31 32 33 34]

 [40 41 42 43 44]

 [50 51 52 53 54]]

解释:

首先b.shape=(1,5)  #由于a与b的维数不一样,首先需让b的维度(shape

#属性性)向a对齐,即向量变为矩阵

print(b.shape)

print(b)

其次,加法的两个输入数组属性分别为(6,1)和(1,5),输出数组的各个轴的长度为输入数组各个轴的长度的最大值,则输出数组的属性为(6,5);将b在第0轴进行复制,a在第一轴上进行复制。

结果为:

a=a.repeat(5,axis=1)      

print(a)

b=b.repeat(6,axis=0)

print(b)

[[ 0  0  0  0  0]

 [10 10 10 10 10]

 [20 20 20 20 20]

 [30 30 30 30 30]

 [40 40 40 40 40]

 [50 50 50 50 50]]

[[0 1 2 3 4]

 [0 1 2 3 4]

 [0 1 2 3 4]

 [0 1 2 3 4]

 [0 1 2 3 4]

 [0 1 2 3 4]]

注意:numpy内部不会使用repeat进行数据扩展,而是使用内部集成的函数ogrid(创建广播预算用的数组)和mgrid函数(返回是进行广播后的数组)

3.2 python的广播方便与计算:

① 一维向量+常量

import numpy as np

vector=np.arange(4)

b=vector+1.

print(b.shape)

print(b)    #result为:(4,)    向量[1. 2. 3. 4.]

② 多维向量+常数

③ 多维向量+行向量

④ 多维向量+列向量

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

b=[1,2,3]

c=[[4],[5]]

print(a)

print(a+1)

print(a+b)

print(a+c)     #运行结果:

[[1 2 3]

 [4 5 6]]

[[2 3 4]

 [5 6 7]]

[[2 4 6]

 [5 7 9]]

[[ 5  6  7]

 [ 9 10 11]]