python - 复制numpy数组的速度

Question

我想知道使用 b = np.array(a) 而不是 b = np.copy(a) 来复制 Numpy 数组是否有任何缺点a 到 b。当我 %timeit 时，前者可以快 100%。

在这两种情况下，b is a 都是 False，我可以操作 b，而 a 完好无损，所以我想这符合 .copy() 的预期。

我错过了什么吗？使用np.array 复制数组有什么不妥之处？

使用 python 3.6.5、numpy 1.14.2，而对于较大的尺寸，速度差异会迅速缩小:

a = np.arange(1000)

%timeit np.array(a)
501 ns ± 30.1 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%timeit np.copy(a)  
1.1 µs ± 35.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

Answer 1

来自 numpy.copy 的文档:

This is equivalent to:

>>> np.array(a, copy=True)

此外，如果您查看 source code :

def copy(a, order='K'):
    return array(a, order=order, copy=True)

一些时间:

In [1]: import numpy as np

In [2]: a = np.ascontiguousarray(np.random.randint(0, 20000, 1000))

In [3]: %timeit b = np.array(a)
562 ns ± 10.1 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [4]: %timeit b = np.array(a, order='K', copy=True)
1.1 µs ± 10.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [5]: %timeit b = np.copy(a)
1.21 µs ± 9.28 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [6]: a = np.ascontiguousarray(np.random.randint(0, 20000, 1000000))

In [7]: %timeit b = np.array(a)
310 µs ± 6.31 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [8]: %timeit b = np.array(a, order='K', copy=True)
311 µs ± 2.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [9]: %timeit b = np.copy(a)
313 µs ± 4.33 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [10]: print(np.__version__)
1.13.3

---

出乎意料的是，简单地将参数显式设置为其默认值会改变 np.array() 的执行速度。另一方面，也许只是处理这些显式参数会增加足够的执行时间，从而对小型数组产生影响。事实上，来自 source code for the numpy.array() , 可以看到当提供关键字参数时有更多的检查和更多的处理正在执行，例如，参见 goto full_path .当没有设置关键字参数时，执行一直跳到goto finish。 .这种开销(关键字参数的额外处理)是您在小型数组的计时中检测到的。对于较大的数组，与复制数组的实际时间相比，此开销微不足道。