python - python中转置函数的区别

Question

我正在使用 numpy.matrix() 生成一个带有随机数的大矩阵(100x100，我们称它为 X)，这样我就有了一个 numpy.ndarray。

我一直在想这两种操作有什么区别:

1. numpy.transpose(X)
2. X.T

我测量了一个范围为 1000 的循环中每个操作的时间，似乎 X.T 明显快于 numpy.transpose(X)

添加的基准:

对于 100x100 矩阵，我使用 X.T 和 numpy.tranpose(X) 得到了以下结果

在 10.000 范围循环中:

• 7421/10.000:X.T最快
• 1256/10.000:numpy.transpose(X)最快
• 1323/10.000:相同的计算时间或差异太小而无法确定

添加了下面的代码

    import numpy as np
    import time

    np_transpose_count = 0
    T_transpose_count = 0
    equal_count = 0

    for i in range(10000):
       Se = np.random.rand(100,100)

       tic1 =time.clock()
       ST_T = Se.T
       toc1=time.clock()

       tic2 =time.clock()
       ST_np = np.transpose(Se)
       toc2=time.clock()

       if (toc1-tic1) < (toc2-tic2):
           T_transpose_count+=1
       elif (toc1-tic1) > (toc2-tic2):
           np_transpose_count+=1
       else:
           equal_count+=1

    print(T_transpose_count, np_transpose_count, equal_count)

最好的问候呼呼声

Answer 1

使用 Ipython %timeit 魔法我得到:

In [218]: X=np.ones((100,100))

In [219]: timeit X.T
1000000 loops, best of 3: 379 ns per loop

In [220]: timeit X.transpose()
1000000 loops, best of 3: 470 ns per loop

In [221]: timeit np.transpose(X)
1000000 loops, best of 3: 993 ns per loop

In [222]: timeit X+1
10000 loops, best of 3: 21.6 µs per loop

是的，.T 最快，函数最慢。但是将这些时间与简单加法的时间进行比较

或副本或切片

In [223]: timeit X.copy()
100000 loops, best of 3: 10.8 µs per loop

In [224]: timeit X[:]
1000000 loops, best of 3: 465 ns per loop

转置以其所有形式返回一个新的数组对象，具有新的 shape 和 strides，但具有共享数据缓冲区(查看 .__array_interface__ 字典来查看)。因此，它与返回 view 的其他操作花费的时间大致相同。但是没有一个转置函数会复制数据或遍历它。所以时差只是头顶调用的结果。

再次使用 ipython 魔法

np.transpose??
def transpose(a, axes=None):
    try:
        transpose = a.transpose
    except AttributeError:
        return _wrapit(a, 'transpose', axes)
    return transpose(axes)

因此 np.function(X) 最终调用 X.transpose()。

我必须查看 numpy 代码，但我记得 .T 是作为 attribute 实现的(与 property 不完全相同)。我怀疑它更快，因为它不使用 axes 参数，因此节省了一两次 C 函数调用。