好的,让我们从让代码更通用开始,稍后我会谈到性能方面。
我一般不使用:
import numpy as np
cimport numpy as np
我个人喜欢为 ed 包使用不同的名称,cimport
因为它有助于将 C 端和 NumPy-Python 端分开。所以对于这个答案,我将使用
import numpy as np
cimport numpy as cnp
我还将制作函数的参数lower_limit
。upper_limit
也许这些是在您的情况下静态(或全局)定义的,但它使示例更加独立。因此,起点是您的代码稍作修改的版本:
cpdef int search_1(cnp.ndarray[int] pool, int lower_limit, int upper_limit):
cdef cnp.ndarray[int] limited
limited = pool[(pool >= lower_limit) & (pool <= upper_limit)]
return np.random.choice(limited)
Cython 中一个非常好的功能是融合类型,因此您可以轻松地将这个功能推广到不同的类型。您的方法仅适用于 32 位整数数组(至少int
在您的计算机上是 32 位时)。支持更多的数组类型非常容易:
ctypedef fused int_or_float:
cnp.int32_t
cnp.int64_t
cnp.float32_t
cnp.float64_t
cpdef int_or_float search_2(cnp.ndarray[int_or_float] pool, int_or_float lower_limit, int_or_float upper_limit):
cdef cnp.ndarray[int_or_float] limited
limited = pool[(pool >= lower_limit) & (pool <= upper_limit)]
return np.random.choice(limited)
当然,您可以根据需要添加更多类型。优点是新版本可以在旧版本失败的地方工作:
>>> search_1(np.arange(100, dtype=np.float_), 10, 20)
ValueError: Buffer dtype mismatch, expected 'int' but got 'double'
>>> search_2(np.arange(100, dtype=np.float_), 10, 20)
19.0
现在它更通用了,让我们看看你的函数实际上做了什么:
- 您创建一个布尔数组,其中元素高于下限
- 您创建一个布尔数组,其中元素低于上限
- 您通过按位和两个布尔数组创建一个布尔数组。
- 您创建一个新数组,其中仅包含布尔掩码为 true 的元素
- 您只从最后一个数组中提取一个元素
为什么要创建这么多数组?我的意思是你可以简单地计算限制内有多少元素,取一个介于 0 和限制内元素数之间的随机整数,然后取结果数组中该索引处的任何元素。
cimport cython
@cython.boundscheck(False)
@cython.wraparound(False)
cpdef int_or_float search_3(cnp.ndarray[int_or_float] arr, int_or_float lower_bound, int_or_float upper_bound):
cdef int_or_float element
# Count the number of elements that are within the limits
cdef Py_ssize_t num_valid = 0
for index in range(arr.shape[0]):
element = arr[index]
if lower_bound <= element <= upper_bound:
num_valid += 1
# Take a random index
cdef Py_ssize_t random_index = np.random.randint(0, num_valid)
# Go through the array again and take the element at the random index that
# is within the bounds
cdef Py_ssize_t clamped_index = 0
for index in range(arr.shape[0]):
element = arr[index]
if lower_bound <= element <= upper_bound:
if clamped_index == random_index:
return element
clamped_index += 1
它不会更快,但会节省大量内存。而且因为您没有中间数组,所以您根本不需要 memoryviews - 但是如果您愿意,您可以将cnp.ndarray[int_or_float] arr
参数列表中int_or_float[:]
的int_or_float[::1] arr
不会慢)。
我通常更喜欢 numba 到 Cython(至少如果我正在使用它)所以让我们将它与该代码的 numba 版本进行比较:
import numba as nb
import numpy as np
@nb.njit
def search_numba(arr, lower, upper):
num_valids = 0
for item in arr:
if item >= lower and item <= upper:
num_valids += 1
random_index = np.random.randint(0, num_valids)
valid_index = 0
for item in arr:
if item >= lower and item <= upper:
if valid_index == random_index:
return item
valid_index += 1
还有一个numexpr
变体:
import numexpr
np.random.choice(arr[numexpr.evaluate('(arr >= l) & (arr <= u)')])
好的,让我们做一个基准测试:
from simple_benchmark import benchmark, MultiArgument
arguments = {2**i: MultiArgument([np.random.randint(0, 100, size=2**i, dtype=np.int_), 5, 50]) for i in range(2, 22)}
funcs = [search_1, search_2, search_3, search_numba, search_numexpr]
b = benchmark(funcs, arguments, argument_name='array size')
![在此处输入图像描述](https://i.stack.imgur.com/drLlO.png)
因此,通过不使用中间数组,您可以快大约 5 倍,如果您使用 numba,您可以获得另一个因子 5(似乎我在那里错过了一些可能的 Cython 优化,numba 通常快约 2 倍或与 Cython 一样快)。所以你可以用 numba 解决方案快 20 倍。
numexpr
在这里并没有真正的可比性,主要是因为您不能在那里使用布尔数组索引。
差异将取决于数组的内容和限制。您还必须衡量应用程序的性能。
顺便说一句:如果下限和上限通常不改变,最快的解决方案是过滤一次数组,然后调用np.random.choice
它几次。这可能要快几个数量级。
lower_limit = ...
upper_limit = ...
filtered_array = pool[(pool >= lower_limit) & (pool <= upper_limit)]
def search_cached():
return np.random.choice(filtered_array)
%timeit search_cached()
2.05 µs ± 122 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
所以几乎快 1000 倍,并且根本不需要 Cython 或 numba。但这是一种特殊情况,可能对您没有用处。
如果您想自己做基准设置,请在此处(基于 Jupyter Notebook/Lab,因此是%
-symbols):
%load_ext cython
%%cython
cimport numpy as cnp
import numpy as np
cpdef int search_1(cnp.ndarray[int] pool, int lower_limit, int upper_limit):
cdef cnp.ndarray[int] limited
limited = pool[(pool >= lower_limit) & (pool <= upper_limit)]
return np.random.choice(limited)
ctypedef fused int_or_float:
cnp.int32_t
cnp.int64_t
cnp.float32_t
cnp.float64_t
cpdef int_or_float search_2(cnp.ndarray[int_or_float] pool, int_or_float lower_limit, int_or_float upper_limit):
cdef cnp.ndarray[int_or_float] limited
limited = pool[(pool >= lower_limit) & (pool <= upper_limit)]
return np.random.choice(limited)
cimport cython
@cython.boundscheck(False)
@cython.wraparound(False)
cpdef int_or_float search_3(cnp.ndarray[int_or_float] arr, int_or_float lower_bound, int_or_float upper_bound):
cdef int_or_float element
cdef Py_ssize_t num_valid = 0
for index in range(arr.shape[0]):
element = arr[index]
if lower_bound <= element <= upper_bound:
num_valid += 1
cdef Py_ssize_t random_index = np.random.randint(0, num_valid)
cdef Py_ssize_t clamped_index = 0
for index in range(arr.shape[0]):
element = arr[index]
if lower_bound <= element <= upper_bound:
if clamped_index == random_index:
return element
clamped_index += 1
import numexpr
import numba as nb
import numpy as np
def search_numexpr(arr, l, u):
return np.random.choice(arr[numexpr.evaluate('(arr >= l) & (arr <= u)')])
@nb.njit
def search_numba(arr, lower, upper):
num_valids = 0
for item in arr:
if item >= lower and item <= upper:
num_valids += 1
random_index = np.random.randint(0, num_valids)
valid_index = 0
for item in arr:
if item >= lower and item <= upper:
if valid_index == random_index:
return item
valid_index += 1
from simple_benchmark import benchmark, MultiArgument
arguments = {2**i: MultiArgument([np.random.randint(0, 100, size=2**i, dtype=np.int_), 5, 50]) for i in range(2, 22)}
funcs = [search_1, search_2, search_3, search_numba, search_numexpr]
b = benchmark(funcs, arguments, argument_name='array size')
%matplotlib widget
import matplotlib.pyplot as plt
plt.style.use('ggplot')
b.plot()