ipython %timeit“赋值前引用的局部变量‘a’”

我正在尝试运行以下代码，但我得到了local variable 'a' referenced before assignment.

a = [x for x in range(10)]
b = [x for x in range(10)]
%timeit a+=b

该语句无需%timeit magic.

我有什么遗漏的吗？

谢谢。

您期望它做什么？

在时间之外它会：

In [188]: a += b
In [189]: a
Out[189]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

我尝试初始化x，并得到一个接近无限循环，最终以内存错误结束

In [192]: %%timeit x=a
     ...: x += b

In [194]: len(a)
Out[194]: 529076630

换句话说，每个 timeit 循环都连接另一个列表b价值观x（并且通过扩展a），结果是很长的循环。我怀疑一个人x+=b速度很快，导致timeit选择循环多次。

让我们创建一个a新鲜的每个循环：

In [196]: %%timeit
     ...: a = [x for x in range(10)]
     ...: a += b
     ...: 
1.91 µs ± 4.82 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

这也会产生内存错误：

In [197]: %%timeit a = [x for x in range(10)]
     ...: a += b

如果我控制循环次数：

In [202]: %%timeit -n 100 a = [x for x in range(10)]
     ...: a += b
     ...: 
     ...: 
208 ns ± 11 ns per loop (mean ± std. dev. of 7 runs, 100 loops each)

With ns有时我可以明白为什么默认循环如此之大。

我还没有尝试过计时a+=...之前（甚至不包括 numpy 数组），但显然它需要某种本地初始化a，无论是在循环内还是在初始化块中。但请务必记住，定时操作可能会执行多次（-r 和 -n 参数或默认值）。因此，任何就地操作都可能导致全局值发生一些变化。在这种情况下timeit可能是通过预期某种“局部”变量来试图保护我们免受这种意外增长的影响。

让我们尝试一下a+b，但有一个任务：

In [215]: c=np.zeros(10)
In [216]: a
Out[216]: array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])
In [217]: b
Out[217]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
In [218]: %timeit c = a+b
5.33 µs ± 105 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [219]: c
Out[219]: array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])

请注意，全球c没有改变。该任务分配给临时本地人c- 即使同名的全局可用。

作为一般规则，在定时循环内执行的计算不应泄漏到循环之外。你必须像我在内存错误循环中所做的那样明确一些，或者在这里

In [222]: %%timeit x = c
     ...: x += b
     ...: 
9.04 µs ± 238 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [223]: c
Out[223]: 
array([       0.,   811111.,  1622222.,  2433333.,  3244444.,  4055555.,
        4866666.,  5677777.,  6488888.,  7299999.])

or here:

In [224]: c=np.zeros(10)
In [225]: %%timeit x = c
     ...: x[:] = a+b

7.84 µs ± 199 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [226]: c
Out[226]: array([  1.,   3.,   5.,   7.,   9.,  11.,  13.,  15.,  17.,  19.])

两者都使用对已链接到可变全局变量的局部变量的就地赋值。