python中的list和numpy中的矩阵分析
Author : Jasper Yang
School : Bupt
preface
由于之前在做GIbbsLDA++的源码学习,并且将其c++的源码翻译成了python的版本。后来有朋友用我的实现在大数据量的情况下内存跑崩溃了,仔细去网上一查,才发现了python中的list的实现方式是一种很泛化的面对各种类型的数据结构,这个结构用来做二位数组比numpy中的narrays需要占用更多更过的内存,后面我会详细分析。(但是我发现好像并不是如此)
正文
他两在使用上的区别
l=[1,2L,3.0,'a'] # 这是一个放了不同数据类型的list
a=np.array([1,2,3]) # list -> array
b=np.array([[1,2,3],[4,5,6]])
c=list(a) # array到list的转换
print l
print a,np.shape(a)
print b,np.shape(b)
print c,np.shape(c)
程序输出如下:
[1, 2L, 3.0, 'a']
[1 2 3] (3,)
[[1 2 3]
[4 5 6]] (2, 3)
[1, 2, 3] (3,)
可以看到list都有逗号来隔开,因为list中为每一个数据分配了一个指针,正因为这种实现方式所以可以面对不同的数据类型。但因如此,l用了4个指针和4个数据的内存空间。
# numpy 定义矩阵
array=([[1,2,3],
[4,5,6],
[7,8,9]])
print array[1]
print array[1][1]
5
[4, 5, 6]
下面我想看看tuple,list,array占用内存的情况,用到了sys里的函数
import sys
a = (1,2,3,4,5)
b = [1,2,3,4,5]
c = np.array([1,2,3,4,5])
d = np.array((1,2,3,4,5))
print(sys.getsizeof(a))
print(sys.getsizeof(b))
print(sys.getsizeof(c))
print(sys.getsizeof(d))
output:
# bytes 为单位
96
112
136
136
这么一看,有点太奇怪了,怎么会是用了array之后比list占用的内存还要大~?
再试试
s1 = ()
s2 = []
s3 = zero(0) # 创建0矩阵,用array的方法
print(sys.getsizeof(s1))
print(sys.getsizeof(s2))
print(sys.getsizeof(s3))
output:
56
72
96
这里发现tuple初始化费用最小,list次之,array的最大,那么说明了array并没有比占用更小的内存空间,但是,没错,凡事都有但是。array在矩阵操作的性能上必然是大大大于list的,见网上总结如下。
Python 的 list 是动态类型,可以包含不同类型的元素,所以没有支持诸如点乘等数学函数,因为要为 list 实现这些操作会牺牲性能。
Numpy 数组是 静态类型 并且 齐次。 元素类型在数组创建的时候就已经确定了。
Numpy 数组节约内存。(这点我不能赞同,难道是getsizeof统计不到指针?)
由于是静态类型,对其数学操作函数(如矩阵乘法,矩阵加法)的实现可以使用 C 或者 Fortran 完成。
而且通过array的itemsize属性发现每次增加数据,array的开销是更多的,也就是说数组越大,array占用的内存比list多越多。
我从Python中优化NumPy包使用性能的教程这里看到了一个很有意思的解释。
为什么NumPy数组如此高效?
一个NumPy数组基本上是由元数据(维数、形状、数据类型等)和实际数据构成。数据存储在一个均匀连续的内存块中,该内存在系统内存(随机存取存储器,或RAM)的一个特定地址处,被称为数据缓冲区。这是和list等纯Python结构的主要区别,list的元素在系统内存中是分散存储的。这是使NumPy数组如此高效的决定性因素。
为什么这会如此重要?主要原因是:
低级语言比如C,可以很高效的实现数组计算(NumPy的很大一部分实际上是用C编写)。例如,知道了内存块地址和数据类型,数组计算只是简单遍历其中所有的元素。但在Python中使用list实现,会有很大的开销。(这里也是提到了很大开销,我很想知道怎么才能看到那很大的开销在哪?)
内存访问模式中的空间位置访问会产生显著地性能提高,尤其要感谢CPU缓存。事实上,缓存将字节块从RAM加载到CPU寄存器。然后相邻元素就能高效地被加载了(顺序位置,或引用位置)。
数据元素连续地存储在内存中,所以NumPy可以利用现代CPU的矢量化指令,像英特尔的SSE和AVX,AMD的XOP等。例如,为了作为CPU指令实现的矢量化算术计算,可以加载在128,256或512位寄存器中的多个连续的浮点数。
此外,说一下这样一个事实:NumPy可以通过Intel Math Kernel Library (MKL)与高度优化的线性代数库相连,比如BLAS和LAPACK。NumPy中一些特定的矩阵计算也可能是多线程,充分利用了现代多核处理器的优势。
总之,将数据存储在一个连续的内存块中,根据内存访问模式,CPU缓存和矢量化指令,可以确保以最佳方式使用现代CPU的体系结构。
在逛知乎里,我又发现了很多关于为什么numpy这么快的讨论,很有意思。
numpy的许多函数不仅是用C实现了,还使用了BLAS(一般Windows下link到MKL的,Linux下link到OpenBLAS)。基本上那些BLAS实现在每种操作上都进行了高度优化,例如使用AVX向量指令集,甚至能比你自己用C实现快上许多,更不要说和用Python实现的比。。
作者:Zhipeng
链接:https://www.zhihu.com/question/30823702/answer/49696394
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
numpy底层使用BLAS做向量,矩阵运算。像求平均值这种vector operation,很容易使用multi-threading或者vectorization来加速。比如MKL就有很多优化。
p.s. 一个小小的experiment可以看看(摘抄–大大的橙子)
from sys import getsizeof
class A(object): pass
class B: pass
for x in (None, 1, 1L, 1.2, 'c', [], (), {}, set(), B, B(), A, A()):
print "{0:20s}\t{1:d}".format(type(x).__name__, sys.getsizeof(x))
NoneType 16
int 24
long 28
float 24
str 34
list 64
tuple 48
dict 272
set 224
classobj 96
instance 64
type 896
A 56
一份numpy常用函数总结
arange
# create a range
x = arange(0, 10, 1) # arguments: start, stop, step
x
=> array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
x = arange(-1, 1, 0.1)
x
output:
array([ -1.00000000e+00, -9.00000000e-01, -8.00000000e-01,
-7.00000000e-01, -6.00000000e-01, -5.00000000e-01,
-4.00000000e-01, -3.00000000e-01, -2.00000000e-01,
-1.00000000e-01, -2.22044605e-16, 1.00000000e-01,
2.00000000e-01, 3.00000000e-01, 4.00000000e-01,
5.00000000e-01, 6.00000000e-01, 7.00000000e-01,
8.00000000e-01, 9.00000000e-01])
mgrid
x, y = mgrid[0:5, 0:5] print(x) print(y)
output:
array([[0, 0, 0, 0, 0],
[1, 1, 1, 1, 1],
[2, 2, 2, 2, 2],
[3, 3, 3, 3, 3],
[4, 4, 4, 4, 4]])
array([[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4]])
linspace 和 logspace
linspace(0, 10, 20) logspace(0, 10, 10, base=e)
output:
array([ 0. , 0.52631579, 1.05263158, 1.57894737, 2.10526316, 2.63157895, 3.15789474, 3.68421053, 4.21052632, 4.73684211, 5.26315789, 5.78947368, 6.31578947, 6.84210526, 7.36842105, 7.89473684, 8.42105263, 8.94736842, 9.47368421, 10. ])
array([ 1.00000000e+00, 3.03773178e+00, 9.22781435e+00,
2.80316249e+01, 8.51525577e+01, 2.58670631e+02,
7.85771994e+02, 2.38696456e+03, 7.25095809e+03,
2.20264658e+04])
random data
random.rand(4,4) random.randn(4,4)
output:
array([[ 0.2659394 , 0.59798318, 0.16067613, 0.21704906],
[ 0.98081628, 0.10926225, 0.86342814, 0.83130784],
[ 0.83563301, 0.18313372, 0.73531414, 0.67861801],
[ 0.38322499, 0.02943103, 0.43471297, 0.87099786]])
array([[ 0.18834898, 0.28862928, 0.58291415, 0.57712703],
[ 0.75071525, -0.39247518, -0.35748584, -0.42839121],
[-1.12789581, -0.67267265, -0.05525579, -0.89712592],
[-0.14731484, -0.72237449, -0.16594984, 0.62914291]])
diag
diag([1,2,3]) diag([1,2,3], k=1)
output
array([[1, 0, 0],
[0, 2, 0],
[0, 0, 3]])
array([[0, 1, 0, 0],
[0, 0, 2, 0],
[0, 0, 0, 3],
[0, 0, 0, 0]])
zeros 和ones
zeros((2,2)) ones((2,2)) output array([[ 0., 0.], [ 0., 0.]]) array([[ 1., 1.], [ 1., 1.]])
做了上面这份总结之后使用各种数据类型的创建就不用总是查找了,虽然都很简单。
numpy的索引很有意思,基本分成了以下三类
花式索引 (arange)
索引列表 (take) —–> 最快
布尔掩码 (compress)
一些优化,在 stackoverflow 上看的,为了更好的记住这些trick我决定记在这篇博客里。
import numpy
x = numpy.array([0] * 1000000)
for i in range(1,len(x)):
x[i] = x[i-1] + i
a[0] += 1232234234234324353453453
OverflowError: Python int too large to convert to C long
可以变成
import numpy as np
x = np.arange(1000000).cumsum()
同时上面出错数字超出了范围可以如下解决
a = np.array([0], dtype=object)
a[0] += 1232234234234324353453453
使用 cumsum() 这样做叫做 vectorized operations 。
全文完,希望能帮到你学到姿势~
另外,给大家推荐一篇我的关于python中list的实现的博客 —> python中list的实现
补充 —–> 浅拷贝和深拷贝以及广播
numpy中的矩阵属于浅拷贝
a = np.zeros((2,2))
b = a
b[1][1] = 1
print(a)
a的值会被改变,这是因为这是浅拷贝,b获得的是a的指针,数据区域还是一样的
list则是深拷贝
a = [1,2,3,4]
b = a
b[2] = 6
print(a)
a的值不会被改变,这是因为深拷贝,将数据区域包括指针都复制了一遍过来
还有一个numpy矩阵的广播,这个是一个很神奇的使用方式
a = np.arange(0, 50, 10).reshape(-1, 1)
b = np.arange(0, 4)
print a
print b
这时的输出
[[ 0]
[10]
[20]
[30]
[40]]
[0 1 2 3]
当我们使用广播
np.add(a,b)
输出变成了
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24],
[30, 31, 32, 33, 34],
[40, 41, 42, 43, 44],
[50, 51, 52, 53, 54]])
是不是很神奇呢,用法一目了然。 see also –> numpy.broadcast
广播用以描述numpy中对两个形状不同的阵列进行数学计算的处理机制。较小的阵列“广播”到较大阵列相同的形状尺度上,使它们对等以可以进行数学计算。广播提供了一种向量化阵列的操作方式,因此Python不需要像C一样循环。广播操作不需要数据复制,通常执行效率非常高。然而,有时广播是个坏主意,可能会导致内存浪费以致计算减慢。
paper done 2017/4/20