Python类的性能影响：科学计算

Question

所以我正在写一个粒子模型。这个模拟将涉及到创建一些具有诸如种类指数（用来识别粒子类型）和三维空间中的位置/速度等属性的粒子。它还具有基于其在模拟运行期间将计算的空间中的位置的属性。我以前用一个巨大的numpy数组运行过这个模型，其中每行对应一个粒子，每列对应一个粒子属性。你知道吗

我的主要问题是：如果我要创建一个类“Particles”，这样我就可以生成代表每个粒子的实例，那么在计算速度方面是否会对性能造成影响？如果我想运行一个有一百万个粒子的程序，是将所有的数字放在一个大数组中更有效（尽管它的可读性不太好），还是使用这个类的实例，并在模拟过程中修改实例属性同样有效？或者是类很好，但是在pythonlist/NumPy数组中存储那么多类实例确实会降低执行速度？你知道吗

另外，这个程序将与python模块“Numba”一起使用，后者对数值计算进行了大量优化（特别是通过jitclasshttp://numba.pydata.org/numba-doc/latest/user/jitclass.html#numba.jitclass）。但是，我不想因为在模拟中声明变量而破坏这个模块的性能优势，因为这些变量会导致它运行效率低下。你知道吗

谢谢！你知道吗

Answer 1

您应该在此处使用结构化数据类型：

particle_dtype = np.dtype([
    ('id', int),
    ('species', (np.unicode_, 16)),
    ('pos', np.float32, 3),
    ('vel', np.float32, 3)
])

particles = np.empty(100, dtype=particle_dtype)
particles[0]['id'] = 1
particles['pos'] += particles['vel'] * dt

Answer 2

I've previously been running this models using a giant numpy array

听起来是个好主意。你知道吗

If I was to create a class "Particles" so that I could generate instances representing each particle, is there a performance hit in terms of computational speed?

可能会慢得多。你知道吗

使用NumPy数组的现有解决方案，可以在一个大数组中表示所有粒子：

id species x y z dx dy dz
id species x y z dx dy dz
id species x y z dx dy dz

如果将其更改为对每个粒子使用类实例，则仍可以将它们保留在NumPy数组（或列表）中，但其外观如下所示：

object -> [id species x y z dx dy dz]
object -> [id species x y z dx dy dz]
object -> [id species x y z dx dy dz]

您需要分配四个N+1对象，而不是1（数组）。你知道吗

我会坚持原来的设计，巨型NumPy阵列，除非它是造成重大问题。你知道吗