知识卡片
向量化包装不保证计算加速
frompyfunc和vectorize可将Python函数用于元素式数组调用,但包装不会自动消除每个元素的Python调用成本。frompyfunc返回object数组;vectorize可声明输出类型。它们主要便利调用和广播,不能由语法像ufunc就认定具有内置数值ufunc的速度。
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
原书出处 · 1 处
- · 查看原书依据
每个元素时都要执行一次Python函数调用,这自然会比NumPy自带的基于C的ufunc慢很多: In [139]: arr = randn(10000) In [140]: %timeit add_them(arr, arr) 100 loops, best of 3: 2.12 ms per loop In [141]: %timeit np.add(a
参考来源
- 位置:《利用Python进行数据分析》第12章《自定义ufunc》(spine325;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0311.html;u277-ch12-020)。
- 结论依据:原文在“每个元素时都要执行一次Python函数调用”附近的定义、例子或代码支撑本卡核心说明:frompyfunc和vectorize可将Python函数用于元素式数组调用,但包装不会自动消除每个元素的Python调用成本。边界按已读前提解释;示例未执行。
- 原始内容:每个元素时都要执行一次Python函数调用,这自然会比NumPy自带的基于C的ufunc慢很多: In [139]: arr = randn(10000) In [140]: %timeit add_them(arr, arr) 100 loops, best of 3: 2.12 ms per loop In [141]: %timeit np.add(a