知识卡片
微基准结论依赖输入与环境
用startswith与切片比较前缀的书中时间,只说明该版本、字符串与机器上的示例表现,不证明一种写法总更快。比较前先确认语义相同,再固定输入与环境,区分墙钟经过时间和CPU耗时,并观察重复运行的波动。一次更短不等于稳定改进,也不代表完整应用瓶颈已消除。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 微基准结论依赖输入与环境
- · 随机数生成
- · 性能和内存使用方面的注意事项
- · 花式索引的等价函数:take和put
- · 自定义ufunc
- · 性能建议
- · 连续内存的重要性
原书出处 · 7 处
- · 查看原书依据
能够选出其中以foo开头的字符串”的方法: # 一个非常大的字符串数组 strings = ['foo', 'foobar', 'baz', 'qux', 'python', 'Guido Van Rossum'] * 100000 method1 = [x for x in strings if x.startswith('foo')] method2 =
- · 查看原书依据
快了不止一个数量级: In [210]: from random import normalvariate In [211]: N = 1000000 In [212]: %timeit samples = [normalvariate(0, 1) for _ in xrange(N)] 1 loops, best of 3: 1.33 s per loop
- · 查看原书依据
periods=10000000, freq='10ms') In [583]: ts = Series(np.random.randn(len(rng)), index=rng) In [584]: ts Out[584]: 2000-01-01 00:00:00 -1.402235 2000-01-01 00:00:00.010000 2.424667
- · 查看原书依据
356 us per loop In [79]: %timeit arr.take(inds, axis=0) 10000 loops, best of 3: 34 us per loop 译注4:实在找不到更好的词了,所以这里还是应该解释一下。虽然都是“重复”,但可以这样理解:duplicate是结果,replicate是造成duplicate的过程。
- · 查看原书依据
2.12 ms per loop In [141]: %timeit np.add(arr, arr) 100000 loops, best of 3: 11.6 us per loop 为此,Python科学计算社区正在开发一些项目,力求使自定义ufunc的性能接近内置的那些。
- · 查看原书依据
达不到所需的性能指标,就可以考虑一下用C、Fortran或Cython(等下会稍微介绍一下)来编写代码。我自己在工作中经常会用到Cython(http://cython.org),因为它不用花费我太多精力就能得到C语言那样的性能。
- · 查看原书依据
1.33 ms per loop In [233]: %timeit arr_f.sum(1) 100 loops, best of 3: 8.75 ms per loop 如果想从NumPy中提升性能,这里就应该是下手的地方。如果数组的内存顺序不符合你的要求,使用copy并传入'C'或'F'即可解决该问题: In [234]: arr_f.copy('C'