c++ - Python + alglib + NumPy : how to avoid converting arrays to lists?

Question

上下文:我最近发现了 alglib library (用于数值计算)，这似乎是我一直在寻找的东西(稳健插值、数据分析......)，但在 numpy 或 scipy 中找不到。

但是，我担心的事实是(例如，对于插值)它不接受 numpy 数组作为有效输入格式，而是仅常规 python 列表对象。

问题:我深入研究了代码和文档，发现(正如预期的那样)这个列表格式只是为了转换，因为库无论如何都会将它转换成 ctypes(cpython 库只是底层 C/C++ 的接口(interface)库)。

这就是我担心的地方:在我的代码中，我正在使用 numpy 数组，因为它大大提高了我在其上执行的科学计算的性能。因此，我担心必须将传递给 alglib 例程的任何数据转换为列表(将转换为 ctypes)会对性能产生巨大影响(我正在使用内部可能有数十万个 float 的数组，以及数千个数组)。

问题:你认为我确实会有性能损失，还是你认为我应该开始修改 alglib 代码(仅 python 接口(interface))以便它可以接受 numpy 数组，并且只进行一次转换(从 numpy 数组到 ctypes)？我什至不知道这是否可行，因为它是一个相当大的图书馆......也许你们有更好的想法或建议(即使是关于相似但不同的图书馆)...

---

编辑

似乎我的问题没有引起太多兴趣，或者我的问题不明确/不相关。或者也许没有人有解决方案或建议，但我怀疑周围有这么多专家:)不管怎样，我已经写了一个小的、快速的、肮脏的测试代码来说明这个问题……

#!/usr/bin/env python

import xalglib as al
import timeit
import numpy as np

def func(x):
    return (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2

def fa(x, y, val=3.14):
    s = al.spline1dbuildakima(x, y)
    return (al.spline1dcalc(s, val), func(val))

def fb(x, y, val=3.14):
    _x = list(x)
    _y = list(y)
    s = al.spline1dbuildakima(_x, _y)
    return (al.spline1dcalc(s, val), func(val))

ntot = 10000
maxi = 100
x = np.random.uniform(high=maxi, size=ntot)
y = func(x)
xl = list(x)
yl = list(y)

print "Test for len(x)=%d, and x between [0 and %.2f):" % (ntot, maxi)
print "Function: (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2"
a, b = fa(xl, yl)
err = np.abs(a-b)/b * 100
print "(x=3.14) interpolated, exact =", (a, b)
print "(x=3.14) relative error should be <= 1e-2: %s (=%.2e)" % ((err <= 1e-2), err)

if __name__ == "__main__":
    t = timeit.Timer(stmt="fa(xl, yl)", setup="from __main__ import fa, xl, yl, func")
    tt = timeit.Timer(stmt="fb(x, y)", setup="from __main__ import fb, x, y, func")
    v = 1000 * t.timeit(number=100)/100
    vv = 1000 * tt.timeit(number=100)/100
    print "%.2f usec/pass" % v
    print "%.2f usec/pass" % vv
    print "%.2f %% less performant using numpy arrays" % ((vv-v)/v*100.)

并运行它，我得到:

"""
Test for len(x)=10000, and x between [0 and 100.00):
Function: (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2
(x=3.14) interpolated, exact = (3.686727834705164, 3.6867278531266905)
(x=3.14) relative error should be <= 1e-2: True (=5.00e-07)
25.85 usec/pass
28.46 usec/pass
10.09 % less performant using numpy arrays
"""

性能损失在 8% 到 14% 之间波动，这对我来说是巨大的......

Answer 1

您可以创建自己的 wrap 函数，将 numpy 数组的数据缓冲区直接传递给 vector 的数据指针，这不会复制数据，并且可以大大加快 wrap 函数的速度。以下代码将 x.ctypes.data 传递给 x_vector.ptr.p_ptr，其中 x 是一个 numpy 数组。

当你传递 numpy 数组时，你必须确保数组的元素在连续的内存中。以下代码不检查此项。

import xalglib as al
import numpy as np
import ctypes

def spline1dbuildakima(x, y):
    n = len(x)
    _error_msg = ctypes.c_char_p(0)
    __c = ctypes.c_void_p(0)
    __n = al.c_ptrint_t(n)
    __x = al.x_vector(cnt=n, datatype=al.DT_REAL, owner=al.OWN_CALLER, 
                      last_action=0,ptr=al.x_multiptr(p_ptr=x.ctypes.data))
    __y = al.x_vector(cnt=n, datatype=al.DT_REAL, owner=al.OWN_CALLER, 
                      last_action=0,ptr=al.x_multiptr(p_ptr=y.ctypes.data))

    al._lib_alglib.alglib_spline1dbuildakima(
        ctypes.byref(_error_msg), 
        ctypes.byref(__x), 
        ctypes.byref(__y), 
        ctypes.byref(__n), 
        ctypes.byref(__c))

    __r__c = al.spline1dinterpolant(__c)
    return __r__c    

def func(x):
    return (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2

def fa(x, y, val=3.14):
    s = spline1dbuildakima(x, y)
    return al.spline1dcalc(s, val), func(val)

def fb(x, y, val=3.14):
    s = al.spline1dbuildakima(x, y)
    return al.spline1dcalc(s, val), func(val)

ntot = 10000
maxi = 100
x = np.random.uniform(high=maxi, size=ntot)
y = func(x)
xl = list(x)
yl = list(y)

import time
start = time.clock()
for i in xrange(100):
    a, b = fa(x, y)
print time.clock()-start
err = np.abs(a-b)/b * 100
print a, b, err

start = time.clock()
for i in xrange(100):
    a, b = fb(xl, yl)
print time.clock()-start
err = np.abs(a-b)/b * 100
print a, b, err

输出是:

0.722314760822 <- seconds of numpy array version
3.68672728107 3.68672785313 1.55166878281e-05
3.22011891502  <- seconds of list version
3.68672728107 3.68672785313 1.55166878281e-05