我在第一章看到一個出乎我意料的比較, 通常我們都認為 Numpy 計算速度比 Python 內建的函數要快, 但如果是比較單一的數學運算, 使用內建的 math 函式庫效能要比 Numpy 好, 例如進行 cos(3.4) 餘弦運算, 用 math.cos() 的話比用 Numpy.cos() 快上 2.7 倍, 程式如下 :
D:\test\python>python
Python 3.7.2 (tags/v3.7.2:9a3ffc0492, Dec 23 2018, 23:09:28) [MSC v.1916 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from timeit import timeit
>>> import math as m
>>> import numpy as np
>>> def mfunc():
... return m.cos(3.4)
...
>>> def npfunc():
... return np.cos(3.4)
...
>>> timeit(stmt=mfunc, number=10000)
0.003971100000001115
>>> timeit(stmt=npfunc, number=10000)
0.010628900000000385
計算 1 萬次結果 math 花了 3.9711 ms; 而 Numpy 卻花了 10.6289 ms, 快了約 2.7 倍. 關於 timeit 內建模組用法參考 :
# https://www.geeksforgeeks.org/timeit-python-examples/
但是如果是進行大數據計算, 使用 math 模組與串列需遍歷迴圈, 而 Numpy 則可直接對 ndarray 做向量運算, 效能就看得出來了, 例如對 [0, 10) 的整數陣列進行餘弦運算 :
>>> def mfunc2():
... for x in range(10):
... y=m.cos(x)
...
>>> def npfunc2():
... np.cos(np.arange(0,10))
...
>>> timeit(stmt=mfunc2, number=10000)
0.03124800000000505
>>> timeit(stmt=npfunc2, number=10000)
0.017304199999671255
使用 Python 迴圈遍歷串列元素做十個 cos() 計算 10000 次花了 31.248ms; 使用 Numpy 以向量進行運算則只花了 17.304ms, 可見用 Numpy 速度快了近 2 倍, 所以大數據運算非使用 Numpy 不可.
沒有留言 :
張貼留言