我很好奇它使用

np.empty而不是

np.zeros實際上有多大差異,還有關于

np.ones的差異.我運行這個小腳本來測試每個創建一個大型數組所需的時間：

import numpy as np

from timeit import timeit

N = 10_000_000

dtypes = [np.int8, np.int16, np.int32, np.int64,

np.uint8, np.uint16, np.uint32, np.uint64,

np.float16, np.float32, np.float64]

rep= 100

print(f'{"DType":8s} {"Empty":>10s} {"Zeros":>10s} {"Ones":>10s}')

for dtype in dtypes:

name = dtype.__name__

time_empty = timeit(lambda: np.empty(N, dtype=dtype), number=rep) / rep

time_zeros = timeit(lambda: np.zeros(N, dtype=dtype), number=rep) / rep

time_ones = timeit(lambda: np.ones(N, dtype=dtype), number=rep) / rep

print(f'{name:8s} {time_empty:10.2e} {time_zeros:10.2e} {time_ones:10.2e}')

并獲得下表：

DType Empty Zeros Ones

int8 1.39e-04 1.76e-04 5.27e-03

int16 3.72e-04 3.59e-04 1.09e-02

int32 5.85e-04 5.81e-04 2.16e-02

int64 1.28e-03 1.13e-03 3.98e-02

uint8 1.66e-04 1.62e-04 5.22e-03

uint16 2.79e-04 2.82e-04 9.49e-03

uint32 5.65e-04 5.20e-04 1.99e-02

uint64 1.16e-03 1.24e-03 4.18e-02

float16 3.21e-04 2.95e-04 1.06e-02

float32 6.31e-04 6.06e-04 2.32e-02

float64 1.18e-03 1.16e-03 4.85e-02

從中我提取了兩個有些令人驚訝的結論：

> np.empty和np.zeros的性能幾乎沒有區別,可能除了int8的一些差異.我不明白為什么會這樣.創建一個空數組應該更快,實際上我已經看到了這個的報告(例如Speed of np.empty vs np.zeros).

> np.zeros和np.ones之間有很大的不同.我懷疑這與內存歸零的高性能方法有關,不適用于用常量填充內存區域,但我真的不知道如何或在什么級別這樣可行.

這些結果的解釋是什么？

我在Windows 10(使用MKL)上使用NumPy 1.15.4和Python 3.6 Anaconda,我有一個Intel Core i7-7700K CPU.

編輯：根據評論中的建議,我嘗試運行基準交錯每個單獨的試驗和最后的平均,但我看不出結果的顯著差異.但是,在相關的說明中,我不知道NumPy中是否有任何機制可以重用剛剛刪除的數組的內存,這會使這些措施變得不切實際(盡管時間似乎與數據類型大小相關)對于空數組).

最佳答案 這應該是一個評論,但它不適合.這是腳本的一個小擴展.有一些“手工制作”的零和一個版本.

import numpy as np

from timeit import timeit

N = 10_000_000

dtypes = [np.int8, np.int16, np.int32, np.int64,

np.uint8, np.uint16, np.uint32, np.uint64,

np.float16, np.float32, np.float64]

rep= 100

print(f'{"DType":8s} {"Empty":>10s} {"Zeros":>10s} {"Ones":>10s}')

for dtype in dtypes:

name = dtype.__name__

time_empty = timeit(lambda: np.empty(N, dtype=dtype), number=rep) / rep

time_zeros = timeit(lambda: np.zeros(N, dtype=dtype), number=rep) / rep

time_ones = timeit(lambda: np.ones(N, dtype=dtype), number=rep) / rep

time_full_zeros = timeit(lambda: np.full(N, 0, dtype=dtype), number=rep) / rep

time_full_ones = timeit(lambda: np.full(N, 1, dtype=dtype), number=rep) / rep

time_empty_zeros = timeit(lambda: np.copyto(np.empty(N, dtype=dtype), 0), number=rep) / rep

time_empty_ones = timeit(lambda: np.copyto(np.empty(N, dtype=dtype), 1), number=rep) / rep

print(f'{name:8s} {time_empty:10.2e} {time_zeros:10.2e} {time_ones:10.2e} {time_full_zeros:10.2e} {time_full_ones:10.2e} {time_empty_zeros:10.2e} {time_empty_ones:10.2e} ')

時間是暗示性的.

DType Empty Zeros Ones

int8 1.37e-06 6.33e-04 5.73e-04 5.76e-04 5.73e-04 6.05e-04 5.82e-04

int16 1.61e-06 1.55e-03 3.54e-03 3.54e-03 3.56e-03 3.54e-03 3.54e-03

int32 7.22e-06 6.99e-06 1.24e-02 1.20e-02 1.25e-02 1.19e-02 1.21e-02

int64 8.26e-06 8.06e-06 2.62e-02 2.64e-02 2.61e-02 2.62e-02 2.62e-02

uint8 1.32e-06 6.30e-04 5.85e-04 5.86e-04 5.77e-04 5.70e-04 5.83e-04

uint16 1.32e-06 1.63e-03 3.61e-03 3.65e-03 4.08e-03 4.08e-03 3.58e-03

uint32 7.08e-06 7.20e-06 1.48e-02 1.41e-02 1.63e-02 1.44e-02 1.32e-02

uint64 7.14e-06 7.13e-06 2.69e-02 2.67e-02 2.82e-02 2.68e-02 2.72e-02

float16 1.31e-06 1.55e-03 3.56e-03 3.79e-03 3.54e-03 3.53e-03 3.55e-03

float32 7.11e-06 6.95e-06 1.36e-02 1.35e-02 1.37e-02 1.35e-02 1.37e-02

float64 7.27e-06 7.33e-06 3.13e-02 3.00e-02 2.75e-02 2.80e-02 2.75e-02

重新零比我似乎記得的更快,正如評論中所建議的那樣,零確實使用了calloc,它是一個系統例程,其唯一目的是分配零塊,這可能是很好的.

總結

以上是生活随笔為你收集整理的python中np没有定义_python中的np.empty_python – np.empty,np.zeros和np.one的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。