在比32位数组慢的Cython中填充64位numpy数组

Question

我试图理解为什么填充64位数组比填充32位数组慢。在

以下是示例：

@cython.boundscheck(False)
@cython.wraparound(False)
def test32(long long int size):
   cdef np.ndarray[np.int32_t,ndim=1] index = np.zeros(size, np.int32)
   cdef Py_ssize_t i

   for i in range(size):
       index[i] = i

   return indx

@cython.boundscheck(False)
@cython.wraparound(False)
def test64(long long int size):
   cdef np.ndarray[np.int64_t,ndim=1] index = np.zeros(size, np.int64)
   cdef Py_ssize_t i

   for i in range(size):
       index[i] = i

   return indx

时间安排：

^{pr2}$

我使用64位计算机和Python（9）编译器的Visual C++。在

编辑：

初始化64位数组和32位数组所花费的时间似乎相同，这意味着时间差是由于填充过程造成的。在

In [8]: %timeit np.zeros(1000000,'int32')
100000 loops, best of 3: 2.49 μs per loop

In [9]: %timeit np.zeros(1000000,'int64')
100000 loops, best of 3: 2.49 μs per loop

编辑2：

正如DavidW指出的，这种行为可以用np.arange公司，这意味着这是预期的：

In [7]: %timeit np.arange(1000000,dtype='int32')
10 loops, best of 3: 1.22 ms per loop

In [8]: %timeit np.arange(1000000,dtype='int64')
10 loops, best of 3: 2.03 ms per loop

Answer 1

一组快速的测量结果（我最初在评论中发布）表明，np.full、np.ones和np.arange的行为非常相似（64位的时间是32位的两倍），三者的时间相似（arange比我的其他2个慢10%）。在

我相信这表明这是一种预期的行为，只是需要时间来填满记忆。（64位的内存显然是32位的两倍）。在

有趣的问题是，为什么np.zeros如此统一（而且速度很快）this C-based question可能给出了一个完整的答案，但基本的总结是，分配零（如C函数calloc）可以懒洋洋地完成，也就是说，它实际上不会分配或填充太多，直到您真正尝试写入内存。在