gpt4 book ai didi

python - timeit 如何受列表文字长度的影响?

转载 作者:太空宇宙 更新时间:2023-11-03 14:54:32 25 4
gpt4 key购买 nike

更新:显然我只是在计时 Python 读取列表的速度。但这并没有真正改变我的问题。

所以,我前几天读了 this post 并想比较一下速度。我对 Pandas 还不熟悉,所以每当我看到有机会做一些比较有趣的事情时,我都会捕获它。不管怎样,我最初只是用 100 个数字进行了测试,认为这足以满足我玩 Pandas 的渴望。但这就是该图的样子:

list to string conversion 0-99

请注意,有 3 次不同的运行。这些运行按顺序运行,但它们都在相同的两个点处出现峰值。这些点大约是 28 和 64。所以我最初的想法是它与字节有关,特别是 4。也许第一个字节包含有关它是一个列表的附加信息,然后下一个字节是所有数据,之后每 4 个字节这会导致速度飙升,这有点是有道理的。所以我需要用更多的数字来测试它。因此,我创建了一个由 3 组数组组成的 DataFrame,每组数组有 1000 个长度范围为 0-999 的列表。然后我以相同的方式对它们进行计时,即:

Run 1: 0, 1, 2, 3, ...
Run 2: 0, 1, 2, 3, ...
Run 3: 0, 1, 2, 3, ...

预期看到的是数组中大约每 32 个项目就会急剧增加,但该模式没有重复出现(我确实放大并寻找峰值):

list to string conversion 0-999

但是,您会注意到,数字 400 和 682 之间的差异很大。奇怪的是,1 次运行始终在同一位置出现尖峰,使得该图中的 28 点和 64 点中的模式更难区分。绿线确实遍布各处。可耻。

问题:最初的两个峰值发生了什么以及为什么它在图表上在 400 到 682 之间变得“模糊”?我刚刚完成了对 0-99 组的测试,但这次对数组中的每个项目做了简单的加法,结果完全是线性的,所以我认为它与字符串有关。

我先用其他方法进行了测试,得到了相同的结果,但是由于我错误地加入了结果,所以图表困惑了,所以我使用这段代码再次运行了一夜(这花了很长时间)以确保时间与其索引正确对齐,并且运行按正确的顺序执行:

import statistics as s
import timeit
df = pd.DataFrame([[('run_%s' % str(x + 1)), r, np.random.choice(100, r).tolist()]
for r in range(0, 1000) for x in range(3)],
columns=['run', 'length', 'array']).sort_values(['run', 'length'])
df['time'] = df.array.apply(lambda x: s.mean(timeit.repeat(str(x))))

# Graph
ax = df.groupby(['run', 'length']).mean().unstack('run').plot(y='time')
ax.set_ylabel('Time [ns]')
ax.set_xlabel('Array Length')
ax.legend(loc=3)

如果您想查看原始数据,我还对数据框进行了腌制。

最佳答案

您在这里使用 pandas.apply 使事情严重复杂化。没有必要——这只是效率低下。只需使用普通的 Python 方式即可:

In [3]: import timeit

In [4]: setup = "l = list(range({}))"

In [5]: test = "str(l)"

请注意,timeit 函数采用一个number 参数,它是所有内容运行的次数。它默认为 1000000,因此让我们使用 number=100 使其更合理,这样我们就不必永远等待...

In [8]: data = [timeit.repeat(test, setup.format(n), number=100) for n in range(0, 10001, 100)]

In [9]: import statistics

In [10]: mean_data = list(map(statistics.mean, data))

目视检查结果:

In [11]: mean_data
Out[11]:
[3.977467228348056e-05,
0.0012597616684312622,
0.002014552320664128,
0.002637979011827459,
0.0034494600258767605,
0.0046060653403401375,
0.006786816345993429,
0.006134035007562488,
0.006666974319765965,
0.0073876206879504025,
0.008359026357841989,
0.008946725012113651,
0.01020014965130637,
0.0110439983351777,
0.012085124345806738,
0.013095536657298604,
0.013812023680657148,
0.014505649354153624,
0.015109792332320163,
0.01541508767210568,
0.018623976677190512,
0.018014412683745224,
0.01837641668195526,
0.01806374565542986,
0.01866597666715582,
0.021138361655175686,
0.020885809014240902,
0.023644315680333722,
0.022424093661053728,
0.024507874331902713,
0.026360396664434422,
0.02618172235088423,
0.02721496132047226,
0.026609957004742075,
0.027632603014353663,
0.029077719994044553,
0.030218352350251127,
0.03213361800105,
0.0321545610204339,
0.032791375007946044,
0.033749551337677985,
0.03418213398739075,
0.03482868466138219,
0.03569800598779693,
0.035460735321976244,
0.03980560234049335,
0.0375820419867523,
0.03880414469555641,
0.03926491799453894,
0.04079093333954612,
0.0420664346893318,
0.044861480011604726,
0.045125720323994756,
0.04562378901755437,
0.04398221097653732,
0.04668888701902082,
0.04841196699999273,
0.047662509993339576,
0.047592316346708685,
0.05009777001881351,
0.04870589632385721,
0.0532167866670837,
0.05079756366709868,
0.05264475334358091,
0.05531930166762322,
0.05283398299555605,
0.055121281009633094,
0.056162080339466534,
0.05814277834724635,
0.05694748067374652,
0.05985202432687705,
0.05949359833418081,
0.05837553597909088,
0.05975819365509475,
0.06247356999665499,
0.061310798317814864,
0.06292542165222888,
0.06698586166991542,
0.06634997764679913,
0.06443380867131054,
0.06923895300133154,
0.06685209332499653,
0.06864909763680771,
0.06959929631557316,
0.06832000267847131,
0.07180017333788176,
0.07092387134131665,
0.07280202202188472,
0.07342300032420705,
0.0745120863430202,
0.07483605532130848,
0.0734497313387692,
0.0763389469939284,
0.07811927401538317,
0.07915793966579561,
0.08072184936221068,
0.08046915601395692,
0.08565403800457716,
0.08061318534115951,
0.08411134833780427,
0.0865995019945937]

这对我来说看起来非常线性。现在,pandas 一种方便的图形化方式,特别是如果您想要一个方便的围绕 matplotlib 的 API 的包装器:

In [14]: import pandas as pd

In [15]: df = pd.DataFrame({'time': mean_data, 'n':list(range(0, 10001, 100))})

In [16]: df.plot(x='n', y='time')
Out[16]: <matplotlib.axes._subplots.AxesSubplot at 0x1102a4a58>

结果如下:

enter image description here

这应该会让您走上正确的轨道,真正为您一直在尝试计时的事情计时。正如我在评论中解释的那样,您结束了时间:

You are timing the result of str(x) which results in some list-literal, so you are timing the interpretation of list literals, not the conversion of list->str

我只能推测您所看到的结果,但这可能取决于解释器/硬件。以下是我在我的机器上的发现:

In [18]: data = [timeit.repeat("{}".format(str(list(range(n)))), number=100) for n in range(0, 10001, 100)]

enter image description here

并使用不太大的范围:

In [23]: data = [timeit.repeat("{}".format(str(list(range(n)))), number=10000) for n in range(0, 101)]

结果: enter image description here

我猜有点看起来像你的。不过,也许这更适合它自己的问题。

关于python - timeit 如何受列表文字长度的影响?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45683769/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com