numpy float：比算术运算中内置的速度慢10倍？

Question

对于以下代码，我的时间真的很奇怪：

import numpy as np
s = 0
for i in range(10000000):
    s += np.float64(1) # replace with np.float32 and built-in float

• 内置浮球：4.9 s
• float64：10.5 s
• float32：45.0 s

为什么要float64慢两倍float？为什么float32比float64慢5倍？

有什么方法可以避免使用的代价np.float64，并使numpy函数返回内置float而不是float64？

我发现使用numpy.float64速度比Python的float慢得多，numpy.float32甚至更慢（即使我使用的是32位计算机）。

numpy.float32在我的32位计算机上。因此，每次使用诸如的各种numpy函数时numpy.random.uniform，我都会将结果转换为float32（以便进一步的操作以32位精度执行）。

有什么方法可以在程序或命令行中的某个位置设置单个变量，并使所有numpy函数返回float32而不是float64？

编辑＃1：

在算术计算中，numpy.float64比float慢 10倍
。太糟糕了，以至于在计算之前，即使转换为浮点数并返回，也会使程序运行速度提高3倍。为什么？有什么我可以解决的吗？

我想强调一下，我的时间并不是由于以下任何原因：

• 函数调用
• numpy和python float之间的转换
• 对象的创造

我更新了代码，以更清楚地找出问题所在。使用新代码，似乎我发现使用numpy数据类型的性能下降了十倍：

from datetime import datetime
import numpy as np

START_TIME = datetime.now()

# one of the following lines is uncommented before execution
#s = np.float64(1)
#s = np.float32(1)
#s = 1.0

for i in range(10000000):
    s = (s + 8) * s % 2399232

print(s)
print('Runtime:', datetime.now() - START_TIME)

时间是：

• float64：34.56s
• float32：35.11s
• 浮点数：3.53s

只是为了它的地狱，我还尝试了：

从datetime导入datetime导入numpy为np

START_TIME = datetime.now()

s = np.float64(1)
for i in range(10000000):
    s = float(s)
    s = (s + 8) * s % 2399232
    s = np.float64(s)

print(s)
print('Runtime:', datetime.now() - START_TIME)

执行时间为13.28
s；实际上，将来回转换的速度比按原样使用float64要快3倍float。尽管如此，转换还是要付出代价的，因此，与纯python相比，总体而言，转换速度要慢3倍以上float。

我的机器是：

• 英特尔酷睿2双核T9300（2.5GHz）
• WinXP Professional（32位）
• ActiveState Python 3.1.3.5
• 脾气暴躁的1.5.1

编辑2：

感谢您的回答，它们可以帮助我了解如何处理此问题。

但是我仍然想知道确切的原因（也许基于源代码），为什么下面的代码运行速度float64比with慢10倍float。

编辑＃3：

我在Windows 7 x64（Intel Core i7 930 @ 3.8GHz）下重新运行代码。

再次，代码是：

from datetime import datetime
import numpy as np

START_TIME = datetime.now()

# one of the following lines is uncommented before execution
#s = np.float64(1)
#s = np.float32(1)
#s = 1.0

for i in range(10000000):
    s = (s + 8) * s % 2399232

print(s)
print('Runtime:', datetime.now() - START_TIME)

时间是：

• float64：16.1秒
• float32：16.1s
• 浮动：3.2秒

现在，两个np浮点数（64或32）都比内置浮点数慢5倍float。尽管如此，还是有很大的区别。我试图弄清楚它的来源。

编辑结束

Answer 1

概要

如果算术表达式既包含numpy数字又包含内置数字，则Python算术的运行速度较慢。避免这种转换消除了我报告的几乎所有性能下降。

细节

请注意，在我的原始代码中：

s = np.float64(1)
for i in range(10000000):
  s = (s + 8) * s % 2399232

类型float和numpy.float64混合在一个表达式中。也许Python必须将它们全部转换为一种类型？

s = np.float64(1)
for i in range(10000000):
  s = (s + np.float64(8)) * s % np.float64(2399232)

如果运行时保持不变（而不是增加），则表明Python确实在做这件事，从而解释了性能下降。

实际上，运行时间减少了1.5倍！这怎么可能？Python可能要做的最坏的事情不是这两次转换吗？

我真的不知道
也许Python必须动态地检查需要将哪些内容转换为哪些内容，这需要花费时间，并且被告知要执行的精确转换可以使其更快。也许，某种完全不同的机制用于算术（根本不涉及转换），并且在不匹配的类型上碰巧超慢。阅读numpy源代码可能会有所帮助，但这超出了我的能力。

无论如何，现在我们显然可以通过将转换移出循环来加快处理速度：

q = np.float64(8)
r = np.float64(2399232)
for i in range(10000000):
  s = (s + q) * s % r

正如预期的那样，运行时间大大减少：又减少了2.3倍。

公平地说，我们现在需要float通过将文字常量移出循环来稍微更改版本。这会导致极小的（10％）减速。

考虑到所有这些更改，np.float64代码的版本现在仅比等效float版本慢30％。荒谬的5倍性能影响已基本消失。

为什么我们仍然看到30％的延迟？numpy.float64数字占用与相同的空间float，所以这不是原因。对于用户定义的类型，算术运算符的解析可能需要更长的时间。当然不是主要问题。