腳本之家服務(wù)器常用軟件

快捷導(dǎo)航

python 性能優(yōu)化方法小結(jié)

更新時(shí)間：2017年03月31日 11:43:54 投稿：sxyy

本文主要介紹了python 提高性能的方法。具有很好的參考價(jià)值，下面跟著小編一起來(lái)看下吧

提高性能有如下方法

1、Cython,用于合并python和c語(yǔ)言靜態(tài)編譯泛型

2、IPython.parallel，用于在本地或者集群上并行執(zhí)行代碼

3、numexpr，用于快速數(shù)值運(yùn)算

4、multiprocessing,python內(nèi)建的并行處理模塊

5、Numba，用于為cpu動(dòng)態(tài)編譯python代碼

6、NumbaPro，用于為多核cpu和gpu動(dòng)態(tài)編譯python代碼

為了驗(yàn)證相同算法在上面不同實(shí)現(xiàn)上的的性能差異，我們先定義一個(gè)測(cè)試性能的函數(shù)

def perf_comp_data(func_list, data_list, rep=3, number=1): 
  '''Function to compare the performance of different functions. 
  Parameters 
  func_list : list 
  list with function names as strings

  data_list : list 
  list with data set names as strings 

  rep : int 
  number of repetitions of the whole comparison 
  number : int 
  number ofexecutions for every function 
  '''
  from timeit import repeat 
  res_list = {} 
  for name in enumerate(func_list): 
    stmt = name[1] + '(' + data_list[name[0]] + ')' 
    setup = "from __main__ import " + name[1] + ','+ data_list[name[0]] 
    results = repeat(stmt=stmt, setup=setup, repeat=rep, number=number) 
    res_list[name[1]] = sum(results) / rep
  res_sort = sorted(res_list.items(), key = lambda item : item[1])
  for item in res_sort: 
    rel = item[1] / res_sort[0][1]
    print ('function: ' + item[0] + ', av. time sec: %9.5f,  ' % item[1] + 'relative: %6.1f' % rel)

定義執(zhí)行的算法如下

from math import * 
def f(x): 
  return abs(cos(x)) ** 0.5 + sin(2 + 3 * x)

對(duì)應(yīng)的數(shù)學(xué)公式是

生成數(shù)據(jù)如下

i=500000
a_py = range(i)

第一個(gè)實(shí)現(xiàn)f1是在內(nèi)部循環(huán)執(zhí)行f函數(shù)，然后將每次的計(jì)算結(jié)果添加到列表中，實(shí)現(xiàn)如下

def f1(a): 
  res = [] 
  for x in a: 
    res.append(f(x)) 
  return res

當(dāng)然實(shí)現(xiàn)這種方案的方法不止一種，可以使用迭代器或eval函數(shù),我自己加入了使用生成器和map方法的測(cè)試，發(fā)現(xiàn)結(jié)果有明顯差距，不知道是否科學(xué)：

迭代器實(shí)現(xiàn)

def f2(a): 
  return [f(x) for x in a]

eval實(shí)現(xiàn)

def f3(a): 
  ex = 'abs(cos(x)) **0.5+ sin(2 + 3 * x)' 
  return [eval(ex) for x in a]

生成器實(shí)現(xiàn)

def f7(a): 
  return (f(x) for x in a)

map實(shí)現(xiàn)

def f8(a): 
  return map(f, a)

接下來(lái)是使用numpy的narray結(jié)構(gòu)的幾種實(shí)現(xiàn)

import numpy as np 
a_np = np.arange(i) 

def f4(a): 
  return (np.abs(np.cos(a)) ** 0.5 + np.sin(2 + 3 * a))

import numexpr as ne

def f5(a): 
  ex = 'abs(cos(a)) ** 0.5 + sin( 2 + 3 * a)' 
  ne.set_num_threads(1) 
  return ne.evaluate(ex)

def f6(a): 
  ex = 'abs(cos(a)) ** 0.5 + sin(2 + 3 * a)' 
  ne.set_num_threads(2) 
  return ne.evaluate(ex)

上面的f5和f6只是使用的處理器個(gè)數(shù)不同，可以根據(jù)自己電腦cpu的數(shù)目進(jìn)行修改，也不是越大越好

下面進(jìn)行測(cè)試

func_list = ['f1', 'f2', 'f3', 'f4', 'f5', 'f6', 'f7', 'f8'] 
data_list = ['a_py', 'a_py', 'a_py', 'a_np', 'a_np', 'a_np', 'a_py', 'a_py']
perf_comp_data(func_list, data_list)

測(cè)試結(jié)果如下

function: f8, av. time sec:  0.00000,  relative:  1.0
function: f7, av. time sec:  0.00001,  relative:  1.7
function: f6, av. time sec:  0.03787,  relative: 11982.7
function: f5, av. time sec:  0.05838,  relative: 18472.4
function: f4, av. time sec:  0.09711,  relative: 30726.8
function: f2, av. time sec:  0.82343,  relative: 260537.0
function: f1, av. time sec:  0.92557,  relative: 292855.2
function: f3, av. time sec: 32.80889,  relative: 10380938.6

發(fā)現(xiàn)f8的時(shí)間最短，調(diào)大一下時(shí)間精度再測(cè)一次

function: f8, av. time sec: 0.000002483,  relative:  1.0
function: f7, av. time sec: 0.000004741,  relative:  1.9
function: f5, av. time sec: 0.028068110,  relative: 11303.0
function: f6, av. time sec: 0.031389788,  relative: 12640.6
function: f4, av. time sec: 0.053619114,  relative: 21592.4
function: f1, av. time sec: 0.852619225,  relative: 343348.7
function: f2, av. time sec: 1.009691877,  relative: 406601.7
function: f3, av. time sec: 26.035869787,  relative: 10484613.6

發(fā)現(xiàn)使用map的性能最高，生成器次之，其他方法的性能就差的很遠(yuǎn)了。但是使用narray數(shù)據(jù)的在一個(gè)數(shù)量級(jí)，使用python的list數(shù)據(jù)又在一個(gè)數(shù)量級(jí)。生成器的原理是并沒(méi)有生成一個(gè)完整的列表，而是在內(nèi)部維護(hù)一個(gè)next函數(shù)，通過(guò)一邊循環(huán)迭代一遍生成下個(gè)元素的方法的實(shí)現(xiàn)的，所以他既不用在執(zhí)行時(shí)遍歷整個(gè)循環(huán)，也不用分配整個(gè)空間，它花費(fèi)的時(shí)間和空間跟列表的大小是沒(méi)有關(guān)系的，map與之類(lèi)似，而其他實(shí)現(xiàn)都是跟列表大小有關(guān)系的。

內(nèi)存布局

numpy的ndarray構(gòu)造函數(shù)形式為

np.zeros(shape, dtype=float, order='C')

np.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)

shape或object定義了數(shù)組的大小或是引用了另一個(gè)一個(gè)數(shù)組

dtype用于定于元素的數(shù)據(jù)類(lèi)型，可以是int8，int32，float8，float64等等

order定義了元素在內(nèi)存中的存儲(chǔ)順序，c表示行優(yōu)先，F(xiàn)表示列優(yōu)先

下面來(lái)比較一下內(nèi)存布局在數(shù)組很大時(shí)的差異，先構(gòu)造同樣的的基于C和基于F的數(shù)組，代碼如下：

x = np.random.standard_normal(( 3, 1500000))
c = np.array(x, order='C') 
f = np.array(x, order='F')

下面來(lái)測(cè)試性能

%timeit c.sum(axis=0)
%timeit c.std(axis=0)
%timeit f.sum(axis=0)
%timeit f.std(axis=0)
%timeit c.sum(axis=1)
%timeit c.std(axis=1)
%timeit f.sum(axis=1)
%timeit f.std(axis=1)

輸出如下

loops, best of 3: 12.1 ms per loop
loops, best of 3: 83.3 ms per loop
loops, best of 3: 70.2 ms per loop
loop, best of 3: 235 ms per loop
loops, best of 3: 7.11 ms per loop
loops, best of 3: 37.2 ms per loop
loops, best of 3: 54.7 ms per loop
loops, best of 3: 193 ms per loop

可知，C內(nèi)存布局要優(yōu)于F內(nèi)存布局

并行計(jì)算

未完，待續(xù)。。。

以上就是本文的全部?jī)?nèi)容，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來(lái)一定的幫助，同時(shí)也希望多多支持腳本之家！

您可能感興趣的文章: