Python Numpy - numpy轴性能

Question

默认情况下，numpy是主要行。因此，以下结果自然为我所接受。

a = np.random.rand(5000, 5000)

%timeit a[0,:].sum()
3.57 µs ± 13.9 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%timeit a[:,0].sum()
38.8 µs ± 8.19 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

因为这是一个行的主要顺序，所以很自然地以0，：的速度计算。但是，如果使用numpy和函数，则结果是不同的。

%timeit a.sum(axis=0)
16.9 ms ± 13.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit a.sum(axis=1)
29.5 ms ± 90.3 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

如果使用numpy和函数，沿着列计算它会更快。

因此，我的观点是为什么沿轴=0(沿列计算)的速度比沿轴=1(沿行)的速度要快。

例如

a = np.array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]], order='C')

在行的主要顺序中，分别将1、2、3和4、5、6、7、8、9分配给相邻内存。

因此，沿轴=1计算的速度应该比轴= 0快。但是，当使用numpy和函数时，沿列(轴= 0)计算速度更快。

你怎么解释这个？

谢谢

Answer 1

你不能计算同样的东西。

前两个命令只计算整个数组中的一行/列。

a[0, :].sum().shape   # sums just the first row only
()

第二个命令，将2D数组的整个内容之和，但沿着某个轴。这样，您就不会得到一个结果(如前两个命令中的结果)，而是一个一维和数组。

a.sum(axis=0).shape   # computes the row-wise sum for each column
(5000,)

总之，这两组命令所做的事情是不同的。

a
array([[1, 6, 9, 1, 6],
       [5, 6, 9, 1, 3],
       [5, 0, 3, 5, 7],
       [2, 8, 3, 8, 6],
       [3, 4, 8, 5, 0]])

a[0, :]
array([1, 6, 9, 1, 6])

a[0, :].sum()
23

​

a.sum(axis=0)
array([16, 24, 32, 20, 22])