有效地将每一行的元素相乘

Question

定大小的ndarray(n,3)有n1000左右，如何乘在一起的每一行，快的所有元素？下面的（不明确的）第二个解决方案运行大约0.3毫秒，是否可以改进？

# dummy data
n = 999
a = np.random.uniform(low=0, high=10, size=n).reshape(n/3,3)

# two solutions
def prod1(array):
    return [np.prod(row) for row in array]

def prod2(array):
    return [row[0]*row[1]*row[2] for row in array]

# benchmark
start = time.time()
prod1(a)
print time.time() - start
# 0.0015

start = time.time()
prod2(a)
print time.time() - start
# 0.0003

Answer 1

进一步提高性能

起初，一般的经验法则。您正在使用数值数组，因此请使用数组而不是列表。列表看起来可能有点像一个通用数组，但是在后端却完全不同，并且对于大多数数值计算来说绝对是不可行的。

如果您使用Numpy-Arrays编写简单的代码，则可以通过简单地按如下所示的方式添加代码来获得性能。如果使用列表，则可以或多或少地重写代码。

import numpy as np
import numba as nb

@nb.njit(fastmath=True)
def prod(array):
  assert array.shape[1]==3 #Enable SIMD-Vectorization (adding some performance)
  res=np.empty(array.shape[0],dtype=array.dtype)
  for i in range(array.shape[0]):
    res[i]=array[i,0]*array[i,1]*array[i,2]

  return res

使用np.prod(a, axis=1)并不是一个坏主意，但是性能并不是很好。对于只有1000x3的数组，函数调用开销非常大。在另一个jitted函数中使用jitted
prod函数时，可以完全避免这种情况。

基准测试

# The first call to the jitted function takes about 200ms compilation overhead. 
#If you use @nb.njit(fastmath=True,cache=True) you can cache the compilation result for every successive call.
n=999
prod1   = 795  µs
prod2   = 187  µs
np.prod = 7.42 µs
prod      0.85 µs

n=9990
prod1   = 7863 µs
prod2   = 1810 µs
np.prod = 50.5 µs
prod      2.96 µs