python - 为什么numpy.apply_along_axis似乎比Python循环慢？

我对numpy的numpy.apply_along_axis()函数何时会胜过简单的Python循环感到困惑。例如，考虑具有许多行的矩阵的情况，并且您希望计算每行的总和:

x = np.ones([100000, 3])
sums1 = np.array([np.sum(x[i,:]) for i in range(x.shape[0])])
sums2 = np.apply_along_axis(np.sum, 1, x)

在这里，我什至使用内置的numpy函数np.sum，但是计算sums1(Python循环)所花费的时间不到400毫秒，而计算sums2(apply_along_axis)所花费的时间却超过2000毫秒(Windows上为NumPy 1.6.1)。通过进一步的比较，R的rowMeans函数通常可以在不到20ms的时间内完成此操作(我很确定它正在调用C代码)，而类似的R函数apply()可以在约600ms内完成此操作。

最佳答案

np.sum采用axis参数，因此您可以使用以下方法简单地计算总和

sums3 = np.sum(x, axis=1)

这比您提出的两种方法快得多。

$ python -m timeit -n 1 -r 1 -s "import numpy as np;x=np.ones([100000,3])" "np.apply_along_axis(np.sum, 1, x)"
1 loops, best of 1: 3.21 sec per loop

$ python -m timeit -n 1 -r 1 -s "import numpy as np;x=np.ones([100000,3])" "np.array([np.sum(x[i,:]) for i in range(x.shape[0])])"
1 loops, best of 1: 712 msec per loop

$ python -m timeit -n 1 -r 1 -s "import numpy as np;x=np.ones([100000,3])" "np.sum(x, axis=1)"
1 loops, best of 1: 1.81 msec per loop

(至于为什么apply_along_axis较慢—我不知道，可能是因为该函数是用纯Python编写的，并且比数组版本更通用，因此优化机会也更少。)

关于python - 为什么numpy.apply_along_axis似乎比Python循环慢？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/8652785/