我遇到了一些性能问题，希望能快速了解一下。
我正在读取频域数据，我需要制作一个数据立方体来补偿时域中的起始频率。
我现在这样做的方式是：
compdata = [[np.exp(t_range*sflist[y]) for y in x] for x in sfcube]
在哪里
t_range = 1j*2*np.pi*time_axis_ns
time_axis_ns = np.array([x*delta_time_ns for x in xrange(number_of_points_for_fft)])
sflist = array([ 29500000., 30500000.])
sfcube 是一个带有 sflist 索引的 NxM 数组。
到目前为止，计算compdata是我程序中最慢的部分，有什么优化的想法吗？
快速获胜将是使用多处理模块在所有 CPU 内核（+HT，如果可用）上并行化它。
from multiprocessing import Pool
pool = Pool(16) ## use total number of cores, x2 if HT is supported.
def f(y):
return np.exp(t_range*sflist[y])
compdata = [pool.map(f, x) for x in sfcube]
当然，这将使您的速度提高 4 倍到 16 倍（取决于内核数量）。不过，如果这还不够好，您需要弄清楚如何使用向量/矩阵运算来做到这一点。
这是你的计算和一个替代的，更 numpythonic 采取它：
compdata = [[np.exp(t_range*sflist[y]) for y in x] for x in sfcube]
compdata2 = np.take(np.exp(sflist[:, None] * t_range), sfcube, axis=0)
根据您的问题使用此示例数据集：
sfcube = np.random.randint(2, size=(100, 100))
delta_time_ns = 100
number_of_points_for_fft = 1024
time_axis_ns = np.array([x*delta_time_ns for x in xrange(number_of_points_for_fft)])
t_range = 1j*2*np.pi*time_axis_ns
sflist = np.array([ 29500000., 30500000.])
我得到这些时间：
In [3]: %timeit compdata = [[np.exp(t_range*sflist[y]) for y in x] for x in sfcube]
1 loops, best of 3: 1.76 s per loop
In [4]: %timeit compdata2 = np.take(np.exp(sflist[:, None] * t_range), sfcube, axis=0)
10 loops, best of 3: 72.2 ms per loop
这是 20 倍的加速，尽管您的结果会根据 和 的实际大小sflist而改变sfcube。你得到的是一个 3D numpy 数组，而不是数组列表的列表，尽管它们在大多数设置中是可以互换的，当然：
In [5]: np.allclose(compdata, compdata2)
Out[5]: True
如果你有一个索引数组，你可以用它来向量化计算：
In [1]: a = numpy.random.random((4,4))
In [2]: a
Out[2]:
array([[ 0.08746418, 0.57716752, 0.85863208, 0.42931856],
[ 0.90259153, 0.19590983, 0.73075288, 0.88976529],
[ 0.71843135, 0.0169308 , 0.98336314, 0.22227009],
[ 0.93776916, 0.58943769, 0.55040806, 0.92192396]])
In [3]: a[0]
Out[3]: array([ 0.08746418, 0.57716752, 0.85863208, 0.42931856])
In [7]: index=[(0,1), (0,1)]
In [8]: a[index]
Out[8]: array([ 0.08746418, 0.19590983])
In [9]: a[index] = 100*a[index]
In [10]: a[index]
Out[10]: array([ 8.74641837, 19.59098276])
这通常比使用 Python 列表快得多。请注意，a 从一开始就是一个 NumPy 数组，我使用的索引格式为a[list_of_rows, list_of_columns]
首先，您可以time_axis_ns使用以下方法创建数组：
time_axis_ns = np.arange(number_of_points_for_fft)*delta_time_ns
然后，您不必遍历 sfcube 中的索引：
sflist[sfcube]
应该给出相同的结果。然后np.exp(t_range*对这个结果做你的。
您可以使用 Python-psyco 库
http://psyco.sourceforge.net/
http://en.wikipedia.org/wiki/Psyco
或任何其他类似的图书馆
它可能会加快你的程序。