python - 复制numpy数组的速度

Question

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

在这两种情况下 b is a是 False ，我可以操作 b离开 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有什么不妥复制数组？

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)

另外，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来对小数组产生影响。确实，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被执行，例如，见 goto full_path .当没有设置关键字参数时，执行会一直跳到 goto finish .这种开销(关键字参数的额外处理)是您在小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。