Який найшвидший спосіб скопіювати дані з масиву b в масив a, не змінюючи адресу масиву a. Мені це потрібно, оскільки зовнішня бібліотека (PyFFTW) використовує вказівник на мій масив, який не може змінитися.
Наприклад:
a = numpy.empty(n, dtype=complex)
for i in xrange(a.size):
a[i] = b[i]
Це можна зробити без циклу?
Відповіді:
я вірю
a = numpy.empty_like (b)
a[:] = b
швидко зробить глибоку копію. Як згадує Funsi, останні функції numpy також мають цю copytoфункцію.
a = bпросто створює нове посилання на b. a[:] = bозначає "встановити всі елементи aрівними елементам b". Різниця важлива, оскільки масиви numpy є змінними типами.
empty()приблизно на 10% швидше, ніж zeros(). На диво, empty_like()це навіть швидше. copyto(a,b)швидше, ніж синтаксис масиву a[:] = b. Дивіться gist.github.com/bhawkins/5095558
np.copyto(a, b)і коли a = b.astype(b.dtype)для покращення швидкості, дивіться відповідь нижче: stackoverflow.com/a/33672015/3703716
empty_likeнабагато швидше empty, тим більше zeros_like, що повільніше, ніж zeros. До речі, я щойно перевів свій орієнтир (тепер оновлений), і різниця між copyto(a,b)і, a[:] = bздається, випарувалася. gist.github.com/bhawkins/5095558
NumPy версії 1.7 має numpy.copytoфункцію, яка робить те, що ви шукаєте:
numpy.copyto (dst, src)
Копіює значення з одного масиву в інший, передаючи за необхідності трансляцію.
Див .: https://docs.scipy.org/doc/numpy/reference/generated/numpy.copyto.html
AttributeError: 'module' object has no attribute 'copyto'
a = numpy.array(b)
навіть швидше, ніж пропоновані рішення, до numpy v1.6, а також робить копію масиву. Однак я не міг перевірити його на copyto (a, b), оскільки у мене немає останньої версії numpy.
Щоб відповісти на ваше запитання, я погрався з декількома варіантами та сформулював їх.
Висновок: щоб скопіювати дані з масиву numpy в інший, використовуйте одну з вбудованих функцій numpy numpy.array(src)або numpy.copyto(dst, src)де це можливо.
(Але завжди вибирайте пізніше, якщо dstпам’ять вже виділена, щоб повторно використовувати пам’ять. Дивіться профілювання в кінці допису.)
налаштування профілювання
import timeit
import numpy as np
import pandas as pd
from IPython.display import display
def profile_this(methods, setup='', niter=10 ** 4, p_globals=None, **kwargs):
if p_globals is not None:
print('globals: {0}, tested {1:.0e} times'.format(p_globals, niter))
timings = np.array([timeit.timeit(method, setup=setup, number=niter,
globals=p_globals, **kwargs) for
method in methods])
ranking = np.argsort(timings)
timings = np.array(timings)[ranking]
methods = np.array(methods)[ranking]
speedups = np.amax(timings) / timings
pd.set_option('html', False)
data = {'time (s)': timings,
'speedup': ['{:.2f}x'.format(s) if 1 != s else '' for s in speedups],
'methods': methods}
data_frame = pd.DataFrame(data, columns=['time (s)', 'speedup', 'methods'])
display(data_frame)
print()
код профілювання
setup = '''import numpy as np; x = np.random.random(n)'''
methods = (
'''y = np.zeros(n, dtype=x.dtype); y[:] = x''',
'''y = np.zeros_like(x); y[:] = x''',
'''y = np.empty(n, dtype=x.dtype); y[:] = x''',
'''y = np.empty_like(x); y[:] = x''',
'''y = np.copy(x)''',
'''y = x.astype(x.dtype)''',
'''y = 1*x''',
'''y = np.empty_like(x); np.copyto(y, x)''',
'''y = np.empty_like(x); np.copyto(y, x, casting='no')''',
'''y = np.empty(n)\nfor i in range(x.size):\n\ty[i] = x[i]'''
)
for n, it in ((2, 6), (3, 6), (3.8, 6), (4, 6), (5, 5), (6, 4.5)):
profile_this(methods[:-1:] if n > 2 else methods, setup,
niter=int(10 ** it), p_globals={'n': int(10 ** n)})
результати для Windows 7 на процесорі Intel i7, CPython v3.5.0, numpy v1.10.1.
Також див. Результати щодо варіанту профілювання, де пам’ять призначення вже попередньо виділена під час копіювання значень, оскільки y = np.empty_like(x)є частиною налаштування:
x.copy()швидкий, np.array(x)і синтаксис мені подобається набагато більше: $ python3 -m timeit -s "import numpy as np; x = np.random.random((100, 100))" "x.copy()"- 100000 loops, best of 3: 4.7 usec per loop. Я маю подібні результати для np.array(x). Тестується на Linux із i5-4210U та numpy 1.10.4
np.copyбільш прощаючи: np.copy(False), до np.copy(None)сих пір працюють, в той час як a = None; a.copy()кидки AttributeError: 'NoneType' object has no attribute 'copy'. Крім того, ми більш точно заявляємо про те, що ми хочемо зробити в цьому рядку коду, використовуючи функцію замість синтаксису методу.
np.copy(None)не викликає помилки, насправді непітонічно. Ще одна причина для використання a.copy():)
y[:] = xце зараз незначно швидше, ніж copyto(y, x). Код і вихід на gist.github.com/bhawkins/7cdbd5b9372cb798e34e21f92279d2dc
Ви можете просто використовувати:
b = 1*a
це найшвидший спосіб, але також є деякі проблеми. Якщо ви не визначите безпосередньо dtypeз, aа також не перевірите, dtypeз bвас можуть виникнути проблеми. Наприклад:
a = np.arange(10) # dtype = int64
b = 1*a # dtype = int64
a = np.arange(10.) # dtype = float64
b = 1*a # dtype = float64
a = np.arange(10) # dtype = int64
b = 1. * a # dtype = float64
Сподіваюся, я міг би чітко пояснити цю думку. Іноді тип даних буде змінюватися лише за одну невелику операцію.
a = numpy.zeros(len(b))або a = numpy.empty(n,dtype=complex)також створить новий масив.
Ви можете зробити багато різних речей:
a=np.copy(b)
a=np.array(b) # Does exactly the same as np.copy
a[:]=b # a needs to be preallocated
a=b[np.arange(b.shape[0])]
a=copy.deepcopy(b)
Речі, які не працюють
a=b
a=b[:] # This have given my code bugs