不,你不能。正如你有趣的例子指出的那样numpy.sum
可能不是最理想的,并且通过显式 for 循环更好的操作布局可能会更有效。
让我再举一个例子:
>>> N, M = 10**4, 10**4
>>> v = np.random.randn(N,M)
>>> r = np.empty(M)
>>> timeit.timeit('v.sum(axis=0, out=r)', 'from __main__ import v,r', number=1)
1.2837879657745361
>>> r = np.empty(N)
>>> timeit.timeit('v.sum(axis=1, out=r)', 'from __main__ import v,r', number=1)
0.09213519096374512
在这里你可以清楚地看到numpy.sum
如果对快速运行索引求和(v
是 C 连续的),并且在慢速运行轴上求和时不是最佳的。有趣的是,相反的模式适用于for
loops:
>>> r = np.zeros(M)
>>> timeit.timeit('for row in v[:]: r += row', 'from __main__ import v,r', number=1)
0.11945700645446777
>>> r = np.zeros(N)
>>> timeit.timeit('for row in v.T[:]: r += row', 'from __main__ import v,r', number=1)
1.2647287845611572
我没有时间检查numpy
代码,但我怀疑造成差异的是连续内存访问或跨步访问。
正如这个例子所示,在实现数值算法时,正确的内存布局非常重要。矢量化代码不一定能解决所有问题。