在 NumPy 中，更大的数组创建得更快？

Question

正如时间建议的那样，这是缓存的东西吗？

In [55]: timeit a = zeros((10000, 400))
100 loops, best of 3: 3.11 ms per loop

In [56]: timeit a = zeros((10000, 500))
The slowest run took 13.43 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 3.43 µs per loop

试图愚弄它，但没有成功：

In [58]: timeit a = zeros((10000, 500+random.randint(100)))
The slowest run took 13.31 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 4.35 µs per loop

Answer 1

原因不是缓存，而是 numpy 只是创建一个占位符而不是整个数组。当您执行以下操作时，可以通过监视您的 RAM 使用情况轻松验证这一点：

a = np.zeros((20000, 20000), np.float64)

这不会在我的计算机上分配 20k*20k*8byte ~ 3GB（但可能是 OS 相关的，因为 np.zeros 使用 C 函数 calloc）。但要小心，因为对该数组的大多数操作（例如 a += 5）将立即分配该内存！确保您使用的大小与您的 RAM 相比合适，这样您就会注意到 RAM 的增加而不会过度使用它。

最后这只是推迟了数组的分配，只要你对它进行操作，分配和操作的组合时间应该符合预期（与元素数量成线性关系）。看来你正在使用 IPython 所以你可以使用 block-timeit %%timeit:

%%timeit
a = np.zeros((10000, 400))
a += 10
# => 10 loops, best of 3: 30.3 ms per loop

%%timeit
a = np.zeros((10000, 800))
a += 10
# => 10 loops, best of 3: 60.2 ms per loop

在 NumPy 中，更大的数组创建得更快？

In NumPy, larger arrays are created more quickly?

python

arrays

caching

numpy

timeit