NumPy的数学函数比Python的快吗？

Question

我有一个函数，它是由一些基本的数学函数组合而成的，比如绝对值函数（abs）、双曲余弦函数（cosh）、双曲正弦函数（sinh）、指数函数（exp）等等。

我在想，使用 numpy.abs() 这个函数和直接使用 abs() 这个内置函数，速度上会有什么区别吗？

Answer 1

实际上，在numpy数组上，

内置的 abs 函数是通过 __abs__ 来调用numpy的实现，具体可以参考这个链接：为什么像abs这样的内置函数可以在numpy数组上使用？

所以，从理论上讲，性能差别不应该太大。

import timeit
 
x = np.random.standard_normal(10000)
 
def pure_abs():
    return abs(x)
 
def numpy_abs():
    return np.abs(x)
 
n = 10000
 
t1 = timeit.timeit(pure_abs, number = n)
print('Pure Python abs:', t1)
t2 = timeit.timeit(numpy_abs, number = n)
print('Numpy abs:', t2)
Pure Python abs: 0.435754060745
Numpy abs: 0.426516056061

Answer 2

你应该用numpy的函数来处理numpy的数据类型，而用普通的python函数来处理普通的python数据类型。

当你把python的内置函数和numpy混在一起用时，通常会导致性能下降，因为需要进行类型转换。虽然这些类型转换最近有了一些优化，但通常还是不建议这样做。当然，具体情况可能不同，所以最好使用一些性能分析工具来检查一下。

如果你想进一步优化你的程序，可以考虑使用像cython这样的工具，或者自己写一个C语言模块。如果性能很重要，可能还要考虑不使用python。

不过，一旦你的数据放进了numpy数组，numpy在处理大量数据时会非常快。

Answer 3

这里是一些时间测试的结果：

lebigot@weinberg ~ % python -m timeit 'abs(3.15)' 
10000000 loops, best of 3: 0.146 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'from numpy import abs as nabs' 'nabs(3.15)'
100000 loops, best of 3: 3.92 usec per loop

numpy.abs() 比 abs() 慢，因为它还要处理 Numpy 数组：这意味着它有额外的代码来提供这种灵活性。

不过，Numpy 在处理数组时确实很快：

lebigot@weinberg ~ % python -m timeit -s 'a = [3.15]*1000' '[abs(x) for x in a]'
10000 loops, best of 3: 186 usec per loop

lebigot@weinberg ~ % python -m timeit -s 'import numpy; a = numpy.empty(1000); a.fill(3.15)' 'numpy.abs(a)'
100000 loops, best of 3: 6.47 usec per loop

(顺便说一下，'[abs(x) for x in a]' 在 Python 2.7 中比更好的 map(abs, a) 慢，大约慢 30%，而 map 还是比 Numpy 慢得多。)

所以，numpy.abs() 处理 1000 个元素所花的时间并不会比处理 1 个浮点数多多少！