当NumPy太慢时：优化您的代码
在Python的科学计算中，NumPy是必不可少的库。许多程序猿可能已经意识到了，当涉及到NumPy计算时，这种方法有些缓慢，甚至会引起一些不必要的性能问题。毕竟，谁希望程序运行的慢呢？因此，我们将介绍几种优化Numpy代码的方式。
使用矩阵和向量运算
一些人喜欢遍历数组元素来进行数学运算。这种方式既复杂，也效率低下。实际上，NumPy的核心力量来自于矩阵和向量运算。通过使用这些运算，算法就会变得更快。
如下所示，这是使用遍历方法计算上述五次方的代码：
“`
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
def power(arr, power):
result = np.empty(arr.shape, dtype=arr.dtype)
for idx, x in np.ndenumerate(arr):
result[idx] = x**power
return result
arr_powered = power(arr, 5)
“`
而下面则是使用矩阵运算的代码：
“`
arr_powered = arr**5
“`
在这种简单的情况下（每个元素相同，没有其它逻辑），使用矩阵运算的代码较短。如果在大型应用程序中使用矩阵和向量，可以获得大量的性能优势。
数组操作时避免类型转换
在NumPy中进行类型转换时，会涉及到内存分配和数据复制，因此这样做可能会极大的影响性能。
假设我们有以下代码：
“`
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
arr_float = arr.astype(‘float64’)
“`
这里将int类型的数组转换成了float类型的数组。但是这种操作会产生性能影响，因为NumPy需要为新数组分配内存，并将原始数组的值复制到新数组中。
如果数组的dtype与数据类型已知，请在创建数组时指定该值。这样做虽然可能在某些情况下略显麻烦，但是它使用的内存效率更高，因为它允许NumPy在内存中保存一致的dtype。
减少数组视图的使用次数
在NumPy中，您可以使用“视图”来访问数组的不同部分。这些视图提供了一个视窗窥视数组数据而不复制数据本身的方法。但是，在代码中使用视图时，需要注意不要过度使用，否则会导致内存分配和拷贝。
以下是一个例子，其中视图被使用了两次：
“`
import numpy as np
arr = np.arange(10)
arr_slice_1 = arr[0:5]
arr_slice_2 = arr[3:8]
“`
在这个示例中，我们有两个数组切片，它们都是来自原始数组的视图，这意味着它们与原始数组共享相同的内存区域。当我们对其中任何一个切片进行修改时，都会修改原始数组中相应的元素。
在使用视图时，需要记住这些规则，并尽量避免重复创建视图。请注意，NumPy会尽可能少地分配内存，但仍然需要在某些情况下创建新数组来保存输出（例如，对切片进行计算时）。
结论
当NumPy太慢时，这可能意味着我们需要改进代码。首先，尝试使用矩阵和向量运算，因为它们是NumPy的核心力量。其次，应该尽量避免类型转换和过度使用视图，这些操作可能会导致内存分配、数据复制等问题。最后，您应该协调好您的应用程序（例如矩阵大小、线程数等），而不是尝试提高算法的各个方面速度。
了解更多有趣的事情：https://blog.ds3783.com/