单个元素的访问比列表慢

单个元素的访问比列表慢

总而言之：从NumPy数组中获取项目需要创建新的Python对象，而列表并非如此。同样，对于NumPy数组，索引比列表要稍微复杂一些，这可能会增加一些额外的开销。

---

回顾一下，您列出的NumPy *** 作执行以下 *** 作：

1. b[100][100]

   返回

   b

   数组的第100行，然后获取该行的索引100处的值，并将该值作为对象（例如

   np.int64

   类型）返回。

2. b[100,100]

   直接 在第100行和第100列返回值（首先不返回中间数组）。

3. b.item(100,100)``b[100,100]

   除了将值转换为原生Python类型并返回外，其他 *** 作与上述 *** 作相同。

现在，这些 *** 作中，（1）最慢，因为它需要两个连续的NumPy索引 *** 作（我将在下面解释为什么它比列表索引慢）。（2）最快，因为仅执行了一个索引 *** 作。 *** 作（3）可能较慢，因为它是方法调用（在Python中通常较慢）。

为什么 列表 访问仍然比更快

b[100,100]

？

对象创建

Python列表是指向内存中对象的指针的数组。例如，列表

[1, 2,3]

不直接包含那些整数，而是在每个整数对象已经存在的情况下指向内存地址的指针。为了从列表中获得一项，Python只是返回对该对象的引用。

NumPy数组不是对象的集合。该数组

np.array([1, 2,3])

只是一个连续的内存块，其位设置为代表这些整数值。要从该数组获取整数，必须在与该数组分开的内存中构造一个新的Python对象。例如，

np.int64

索引 *** 作可能会返回一个对象：该对象先前不存在，必须创建。

索引复杂度

a[100][100]

（从列表中获取）比

b[100,100]

（从数组中获取）更快的另外两个原因是：

• BINARY_SUBSCR

  索引列表和数组时都执行字节码 *** 作码，但是针对Python列表进行了优化。

• 处理Python列表的整数索引的内部C函数非常简短。另一方面，NumPy索引要复杂得多，需要执行大量代码才能确定所使用的索引类型，以便可以返回正确的值。

下面将详细介绍使用

a[100][100]

和访问列表和数组中元素的步骤

b[100,100]

。

字节码

列表和数组都触发了相同的四个字节码 *** 作码：

  0 LOAD_NAME     0 (a)# the list or array  3 LOAD_ConST    0 (100)         # index number (tuple for b[100,100])  6 BINARY_SUBSCR      # find correct "getitem" function  7 RETURN_VALUE       # value returned from list or array

注意：例如

a[100][100][100]

，如果您开始对多维列表进行链式索引，则开始重复这些字节码指令。使用元组索引的NumPy数组不会发生这种情况：

b[100,100,100]

仅使用四个指令。这就是为什么随着尺寸数量的增加，时序上的差距开始缩小的原因。

找到正确的“ getitem”功能

访问列表和数组的功能是不同的，在每种情况下都需要找到正确的函数。此任务由

BINARY_SUBSCR

*** 作码处理：

w = POP();// our indexv = TOP();// our list or NumPy arrayif (PyList_CheckExact(v) && PyInt_CheckExact(w)) {    // do we have a list and an int?        Py_ssize_t i = PyInt_AsSsize_t(w);        if (i < 0)  i += PyList_GET_SIZE(v);        if (i >= 0 && i < PyList_GET_SIZE(v)) {  x = PyList_GET_ITEM(v, i);    // call "getitem" for lists  Py_INCREF(x);        }        else goto slow_get;     }     else       slow_get:         x = PyObject_GetItem(v, w);       // else, call another function          // to work out what is needed     Py_DECREF(v);     Py_DECREF(w);     SET_TOP(x);     if (x != NULL) continue;     break;

此代码针对Python列表进行了优化。如果该函数看到列表，它将快速调用该函数

PyList_GET_ITEM

。现在可以在所需的索引处访问此列表（请参阅下面的下一部分）。

但是，如果没有看到列表（例如，我们有一个NumPy数组），它将采用“
slow_get”路径。这又调用另一个函数

PyObject_GetItem

来检查对象映射到哪个“
getitem”函数：

PyObject_GetItem(PyObject *o, PyObject *key){    PyMappingMethods *m;    if (o == NULL || key == NULL)        return null_error();    m = o->ob_type->tp_as_mapping;    if (m && m->mp_subscript)        return m->mp_subscript(o, key);    ...

在NumPy的阵列的情况下，正确的功能位于

mp_subscript

在

PyMappingMethods

结构。

请注意，在可以调用此正确的“ get”函数之前，还要进行其他函数调用。这些调用会增加的开销

b[100]

，尽管开销将取决于Python /
NumPy的编译方式，系统架构等。

从Python清单获取

在上面可以看到该函数

PyList_GET_ITEM

已被调用。这是一个简短的函数，基本上看起来像这样*：

PyList_GetItem(PyObject *op, Py_ssize_t i){    if (!PyList_Check(op)) {      // check if list        PyErr_BadInternalCall();        return NULL;    }    if (i < 0 || i >= Py_SIZE(op)) {         // check i is in range        if (indexerr == NULL) { indexerr = PyUnipre_FromString(     "list index out of range"); if (indexerr == NULL)     return NULL;        }        PyErr_SetObject(PyExc_IndexError, indexerr);        return NULL;    }    return ((PyListObject *)op) -> ob_item[i];// return reference to object}

*

PyList_GET_ITEM

实际上是此函数的宏形式，它执行相同的 *** 作（减去错误检查）。

这意味着使项目在

i

Python列表的索引处相对简单。在内部，Python检查所包含的项目的类型是否

i

为列表，是否在列表的正确范围内，然后将对引用的引用返回给列表中的对象。

从NumPy数组获取

相反，NumPy必须做更多的工作才能返回所请求索引的值。

可以用各种不同的方式对数组建立索引，而NumPy必须决定需要哪个索引例程。各种索引例程主要由中的代码处理

mapping.c

。

用于索引NumPy数组的所有内容都将通过该函数

prepare_index

，该函数开始解析索引并存储有关广播，维数等的信息。这是该函数的呼叫签名：

NPY_NO_EXPORT intprepare_index(PyArrayObject *self, PyObject *index,   npy_index_info *indices,   int *num, int *ndim, int *out_fancy_ndim, int allow_boolean) 

该功能必须进行很多检查。即使对于诸如的相对简单的索引

b[100,100]

，也必须推断出很多信息，以便NumPy可以将引用（视图）返回到正确的值。

总之，找到NumPy的“ getitem”函数所花费的时间更长，并且处理数组索引的函数必定比Python列表的单个函数更复杂。