python - 数组排序的 f2py 速度

Question

我在 fortran ( f2py) 中编写了一些代码，以便获得一些速度，因为在纯 Python 中进行大量计算会非常麻烦。

我想知道在 Python 中设置 NumPy 数组是否order=Fortran会降低主要 Python 代码相对于经典 C 样式顺序的速度。

Answer 1

顺序可以对计算速度产生很大影响。下面显示了一个简单的示例：

In [15]: x = np.ones((1000, 1000))

In [16]: y = np.ones((1000, 1000), order='F')

In [17]: %timeit x.sum(axis=0)
100 loops, best of 3: 8.03 ms per loop

In [18]: %timeit y.sum(axis=0)
1000 loops, best of 3: 1.02 ms per loop

在此示例中，对 C 有序数组的列求和所需的时间是对 Fortran 有序数组求和的 8 倍。如果在另一个轴上执行求和，则 C 有序数组上的计算会更快：

In [19]: %timeit x.sum(axis=1)
1000 loops, best of 3: 1.02 ms per loop

In [20]: %timeit y.sum(axis=1)
100 loops, best of 3: 8.09 ms per loop

因此，对于使用 Fortran 有序数组是否会影响 Python 代码的性能，答案是“可能”。

Answer 2

不应该有任何减速。从 NumPy 1.6 开始，大多数ufuncs（即基本的“通用”函数）采用一个可选参数，允许用户指定她的数组的内存布局：默认情况下，它是K，这意味着“输入的元素排序（匹配）尽可能接近`。

所以，一切都应该在引擎盖下得到照顾。

order在最坏的情况下，您总是可以使用参数从一个订单切换到另一个订单np.array（但这会复制您的数据并且可能不值得）。