numpy around/rint 与 astype(int) 相比慢

所以如果我有类似的东西x=np.random.rand(60000)*400-200。 iPython 的%timeit says:

• x.astype(int)需要 0.14 毫秒
• np.rint(x) and np.around(x)需要1.01ms

请注意，在rint and around情况下你仍然需要花费额外的0.14ms来完成最后的astype(int)（假设这就是您最终想要的）。

问题：我的想法是否正确，大多数现代硬件都能够同时执行这两项操作？如果是这样，为什么 numpy 的舍入时间要长 8 倍？

碰巧我对算术的准确性并不是非常挑剔，但我不知道如何利用 numpy 来利用这一点（我正在研究混乱的生物学而不是粒子物理学）。

np.around(x).astype(int) and x.astype(int)不产生相同的值。前几轮均匀（与((x*x>=0+0.5) + (x*x<0-0.5)).astype(int)）而后者四舍五入为零。然而，

y = np.trunc(x).astype(int)
z = x.astype(int)

shows y==z但计算y速度要慢得多。所以这是np.truncand np.around缓慢的函数。

In [165]: x.dtype
Out[165]: dtype('float64')
In [168]: y.dtype
Out[168]: dtype('int64')

So np.trunc(x)从 double 到 double 向零舍入。然后astype(int)必须将 double 转换为 int64。

在内部，我不知道 python 或 numpy 在做什么，但我知道如何在 C 中执行此操作。让我们讨论一些硬件。使用 SSE4.1，可以使用以下命令从双精度到双精度进行 round、floor、ceil 和 trunc：

_mm_round_pd(a, 0); //round: round even
_mm_round_pd(a, 1); //floor: round towards minus infinity
_mm_round_pd(a, 2); //ceil:  round towards positive infinity
_mm_round_pd(a, 3); //trunc: round towards zero

但 numpy 也需要支持没有 SSE4.1 的系统，因此它必须在没有 SSE4.1 的情况下以及有 SSE4.1 的情况下构建，然后使用调度程序。

但是，在 AVX512 之前，使用 SSE/AVX 从 double 直接转换为 int64 的效率并不高。然而，仅使用 SSE2 就可以有效地将 double 舍入为 int32：

_mm_cvtpd_epi32(a);  //round double to int32 then expand to int64
_mm_cvttpd_epi32(a); //trunc double to int32 then expand to int64

这些将两个 double 转换为两个 int64。

在您的情况下，这可以正常工作，因为范围肯定在 int32 内。但除非 python 知道 int32 适合的范围，否则它不能假设这一点，因此它必须舍入或截断为 int64，这很慢。另外，无论如何，numpy 都必须构建支持 SSE2 才能做到这一点。

但也许您可以一开始就使用单个浮点数组。在这种情况下你可以这样做：

_mm_cvtps_epi32(a); //round single to int32
_mm_cvttps_epi32(a) //trunc single to int32

这些将四个单数转换为四个 int32。

因此，为了回答您的问题，SSE2 可以有效地从 double 舍入或截断为 int32。 AVX512 将能够有效地从 double 舍入或截断为 int64 以及使用_mm512_cvtpd_epi64(a) or _mm512_cvttpd_epi64(a)。 SSE4.1可以有效地从浮动到浮动或双倍到双倍进行舍入/截断/下限/上限。