提高性能有如下方法
1、Cython,用于合并python和c語言靜態編譯泛型
2、IPython.parallel，用于在本地或者集群上并行執行代碼
3、numexpr，用于快速數值運算
4、multiprocessing,python內建的并行處理模塊
5、Numba，用于為cpu動態編譯python代碼
6、NumbaPro，用于為多核cpu和gpu動態編譯python代碼
為了驗證相同算法在上面不同實現上的的性能差異，我們先定義一個測試性能的函數
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
def perf_comp_data(func_list, data_list, rep=3, number=1): '''Function to compare the performance of different functions. Parameters func_list : list list with function names as strings data_list : list list with data set names as strings rep : int number of repetitions of the whole comparison number : int number ofexecutions for every function ''' from timeit import repeat res_list = {} for name in enumerate(func_list): stmt = name[1] + '(' + data_list[name[0]] + ')' setup = "from __main__ import " + name[1] + ','+ data_list[name[0]] results = repeat(stmt=stmt, setup=setup, repeat=rep, number=number) res_list[name[1]] = sum(results) / rep res_sort = sorted(res_list.items(), key = lambda item : item[1]) for item in res_sort: rel = item[1] / res_sort[0][1] print ('function: ' + item[0] + ', av. time sec: %9.5f, ' % item[1] + 'relative: %6.1f' % rel) |
定義執行的算法如下
|
1
2
3
|
from math import *def f(x): return abs(cos(x)) ** 0.5 + sin(2 + 3 * x) |
對應的數學公式是
生成數據如下
|
1
2
|
i=500000a_py = range(i) |
第一個實現f1是在內部循環執行f函數，然后將每次的計算結果添加到列表中，實現如下
|
1
2
3
4
5
|
def f1(a): res = [] for x in a: res.append(f(x)) return res |
當然實現這種方案的方法不止一種，可以使用迭代器或eval函數,我自己加入了使用生成器和map方法的測試，發現結果有明顯差距，不知道是否科學：
迭代器實現
|
1
2
|
def f2(a): return [f(x) for x in a] |
eval實現
|
1
2
3
|
def f3(a): ex = 'abs(cos(x)) **0.5+ sin(2 + 3 * x)' return [eval(ex) for x in a] |
生成器實現
|
1
2
|
def f7(a): return (f(x) for x in a) |
map實現
|
1
2
|
def f8(a): return map(f, a) |
接下來是使用numpy的narray結構的幾種實現
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
import numpy as np a_np = np.arange(i) def f4(a): return (np.abs(np.cos(a)) ** 0.5 + np.sin(2 + 3 * a))import numexpr as nedef f5(a): ex = 'abs(cos(a)) ** 0.5 + sin( 2 + 3 * a)' ne.set_num_threads(1) return ne.evaluate(ex)def f6(a): ex = 'abs(cos(a)) ** 0.5 + sin(2 + 3 * a)' ne.set_num_threads(2) return ne.evaluate(ex) |
上面的f5和f6只是使用的處理器個數不同，可以根據自己電腦cpu的數目進行修改，也不是越大越好
下面進行測試
|
1
2
3
|
func_list = ['f1', 'f2', 'f3', 'f4', 'f5', 'f6', 'f7', 'f8'] data_list = ['a_py', 'a_py', 'a_py', 'a_np', 'a_np', 'a_np', 'a_py', 'a_py']perf_comp_data(func_list, data_list) |
測試結果如下
|
1
2
3
4
5
6
7
8
|
function: f8, av. time sec: 0.00000, relative: 1.0function: f7, av. time sec: 0.00001, relative: 1.7function: f6, av. time sec: 0.03787, relative: 11982.7function: f5, av. time sec: 0.05838, relative: 18472.4function: f4, av. time sec: 0.09711, relative: 30726.8function: f2, av. time sec: 0.82343, relative: 260537.0function: f1, av. time sec: 0.92557, relative: 292855.2function: f3, av. time sec: 32.80889, relative: 10380938.6 |
發現f8的時間最短，調大一下時間精度再測一次
|
1
2
3
4
5
6
7
8
|
function: f8, av. time sec: 0.000002483, relative: 1.0function: f7, av. time sec: 0.000004741, relative: 1.9function: f5, av. time sec: 0.028068110, relative: 11303.0function: f6, av. time sec: 0.031389788, relative: 12640.6function: f4, av. time sec: 0.053619114, relative: 21592.4function: f1, av. time sec: 0.852619225, relative: 343348.7function: f2, av. time sec: 1.009691877, relative: 406601.7function: f3, av. time sec: 26.035869787, relative: 10484613.6 |
發現使用map的性能最高，生成器次之，其他方法的性能就差的很遠了。但是使用narray數據的在一個數量級，使用python的list數據又在一個數量級。生成器的原理是并沒有生成一個完整的列表，而是在內部維護一個next函數，通過一邊循環迭代一遍生成下個元素的方法的實現的，所以他既不用在執行時遍歷整個循環，也不用分配整個空間，它花費的時間和空間跟列表的大小是沒有關系的，map與之類似，而其他實現都是跟列表大小有關系的。
內存布局
numpy的ndarray構造函數形式為
np.zeros(shape, dtype=float, order='C')
np.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)
shape或object定義了數組的大小或是引用了另一個一個數組
dtype用于定于元素的數據類型，可以是int8，int32，float8，float64等等
order定義了元素在內存中的存儲順序，c表示行優先，F表示列優先
下面來比較一下內存布局在數組很大時的差異，先構造同樣的的基于C和基于F的數組，代碼如下：
|
1
2
3
|
x = np.random.standard_normal(( 3, 1500000))c = np.array(x, order='C') f = np.array(x, order='F') |
下面來測試性能
|
1
2
3
4
5
6
7
8
|
%timeit c.sum(axis=0)%timeit c.std(axis=0)%timeit f.sum(axis=0)%timeit f.std(axis=0)%timeit c.sum(axis=1)%timeit c.std(axis=1)%timeit f.sum(axis=1)%timeit f.std(axis=1) |
輸出如下
|
1
2
3
4
5
6
7
8
|
loops, best of 3: 12.1 ms per looploops, best of 3: 83.3 ms per looploops, best of 3: 70.2 ms per looploop, best of 3: 235 ms per looploops, best of 3: 7.11 ms per looploops, best of 3: 37.2 ms per looploops, best of 3: 54.7 ms per looploops, best of 3: 193 ms per loop |
可知，C內存布局要優于F內存布局
并行計算
未完，待續。。。
以上就是本文的全部內容，希望本文的內容對大家的學習或者工作能帶來一定的幫助，同時也希望多多支持服務器之家！
原文鏈接：http://www.cnblogs.com/suntp/p/6639100.html
