Alterare array di uscita funzione NumPy in atto

Question

Sto cercando di scrivere una funzione che esegue un'operazione matematica su un array e restituisce il risultato. Un esempio semplificato potrebbe essere:

def original_func(A): 
    return A[1:] + A[:-1] 

Per accelerazione e ad evitare di allocare una nuova matrice di uscita per ciascuna chiamata di funzione, desidero avere la matrice di output come argomento, e modificare in posizione:

def inplace_func(A, out): 
    out[:] = A[1:] + A[:-1] 

Tuttavia, quando si chiama queste due funzioni nel modo seguente,

A = numpy.random.rand(1000,1000) 
out = numpy.empty((999,1000)) 

C = original_func(A) 

inplace_func(A, out) 

la funzione originale sembra essere due volte più veloce come funzione sul posto. Come può essere spiegato? La funzione sul posto non dovrebbe essere più veloce poiché non deve allocare memoria?

Answer 1

Io penso che la risposta è la seguente:

In entrambi i casi, di calcolare A[1:] + A[:-1], e in entrambi i casi, è effettivamente creare una matrice intermedia.

Ciò che accade nel secondo caso, tuttavia, è che è esplicitamente copiare l'intero array di nuova assegnazione in una memoria riservata. Copiare un array di questo tipo richiede all'incirca lo stesso tempo dell'operazione originale, quindi in effetti raddoppia il tempo.

Riassumendo-up, nel primo caso, si fa:

compute A[1:] + A[:-1] (~10ms) 

Nel secondo caso, si fa

compute A[1:] + A[:-1] (~10ms) 
copy the result into out (~10ms) 

Answer 2

Sono d'accordo con Oliver spiegazione. Se si desidera eseguire l'operazione sul posto, è necessario eseguire il loop sull'array manualmente. Questo sarà molto più lento, ma se hai bisogno di velocità puoi ricorrere a Cython che ti dà la velocità di una pura implementazione in C.

Answer 3

Se si desidera eseguire l'operazione sul posto, fanno

 
def inplace_func(A, out): 
    np.add(A[1:], A[:-1], out) 

Questo non crea alcun provvisori (che A[1:] + A[:-1]) fa.

Tutti NumPy operazioni binarie hanno funzioni corrispondenti, controllare la lista qui: http://docs.scipy.org/doc/numpy/reference/ufuncs.html#available-ufuncs