那么为什么 NumPy 转置.T
比np.transpose()
快呢?
b = np.arange(10)
#Transpose .T
t=b.reshape(2,5).T
#Transpose function
t = np.transpose(b.reshape(2,5))
#Transpose function without wrapper
t = b.reshape(2,5).transpose()
我在Jupyter中对两者进行了timeit
:
%timeit -n 1000 b.reshape(2,5).T
1000 loops, best of 3: 391 ns per loop
%timeit -n 1000 np.transpose(b.reshape(2,5))
1000 loops, best of 3: 600 ns per loop
%timeit -n 1000 b.reshape(2,5).transpose()
1000 loops, best of 3: 422 ns per loop
为了检查缩放性,我做了一个更大的矩阵:
b = np.arange( 100000000)
%timeit -n 1000 b.reshape(10000,10000).T
1000 loops, best of 3: 390 ns per loop
%timeit -n 1000 np.transpose(b.reshape(10000,10000))
1000 loops, best of 3: 611 ns per loop
%timeit -n 1000 b.reshape(10000,10000).transpose()
1000 loops, best of 3: 435 ns per loop
在这两种情况下,.T
方法都比包装器快 2 倍,比使用包装器快一点.transpose()
这是为什么? 有没有np.transpose
会更好的用例?
一个原因可能是np.transpose(a)
只是在内部调用a.transpose()
,而a.transpose()
更直接。 在源中,您有:
def transpose(a, axes=None):
return _wrapfunc(a, 'transpose', axes)
反过来_wrapfunc
只是:
def _wrapfunc(obj, method, *args, **kwds):
try:
return getattr(obj, method)(*args, **kwds)
except (AttributeError, TypeError):
return _wrapit(obj, method, *args, **kwds)
在这种情况下,这将映射到getattr(a, 'transpose')
。 许多模块级函数使用 _wrapfunc
来访问方法,通常是 ndarray
类或第一个 arg 的类。
(注意:.T
与 .transpose()
相同,只是如果数组具有 <2 维,则返回数组。