标签：分享 log 数值 运算 http 1.7 expr result ber
参考来源：Python金融大数据分析第八章
提高性能有如下方法
1、Cython,用于合并python和c语言静态编译泛型
2、IPython.parallel，用于在本地或者集群上并行执行代码
3、numexpr，用于快速数值运算
4、multiprocessing,python内建的并行处理模块
5、Numba，用于为cpu动态编译python代码
6、NumbaPro，用于为多核cpu和gpu动态编译python代码
为了验证相同算法在上面不同实现上的的性能差异，我们先定义一个测试性能的函数
def perf_comp_data(func_list, data_list, rep=3, number=1): ‘‘‘Function to compare the performance of different functions. Parameters func_list : list list with function names as strings data_list : list list with data set names as strings rep : int number of repetitions of the whole comparison number : int number ofexecutions for every function ‘‘‘ from timeit import repeat res_list = {} for name in enumerate(func_list): stmt = name[1] + ‘(‘ + data_list[name[0]] + ‘)‘ setup = "from __main__ import " + name[1] + ‘,‘+ data_list[name[0]] results = repeat(stmt=stmt, setup=setup, repeat=rep, number=number) res_list[name[1]] = sum(results) / rep res_sort = sorted(res_list.items(), key = lambda item : item[1]) for item in res_sort: rel = item[1] / res_sort[0][1] print (‘function: ‘ + item[0] + ‘, av. time sec: %9.5f, ‘ % item[1] + ‘relative: %6.1f‘ % rel)
定义执行的算法如下
from math import * def f(x): return abs(cos(x)) ** 0.5 + sin(2 + 3 * x)
对应的数学公式是
生成数据如下
i=500000
a_py = range(i)
第一个实现f1是在内部循环执行f函数，然后将每次的计算结果添加到列表中，实现如下
def f1(a): res = [] for x in a: res.append(f(x)) return res
当然实现这种方案的方法不止一种，可以使用迭代器或eval函数,我自己加入了使用生成器和map方法的测试，发现结果有明显差距，不知道是否科学：
迭代器实现
def f2(a): return [f(x) for x in a]
eval实现
def f3(a): ex = ‘abs(cos(x)) **0.5+ sin(2 + 3 * x)‘ return [eval(ex) for x in a]
生成器实现
def f7(a): return (f(x) for x in a)
map实现
def f8(a): return map(f, a)
接下来是使用numpy的narray结构的几种实现
import numpy as np a_np = np.arange(i) def f4(a): return (np.abs(np.cos(a)) ** 0.5 + np.sin(2 + 3 * a)) import numexpr as ne def f5(a): ex = ‘abs(cos(a)) ** 0.5 + sin( 2 + 3 * a)‘ ne.set_num_threads(1) return ne.evaluate(ex) def f6(a): ex = ‘abs(cos(a)) ** 0.5 + sin(2 + 3 * a)‘ ne.set_num_threads(2) return ne.evaluate(ex)
上面的f5和f6只是使用的处理器个数不同，可以根据自己电脑cpu的数目进行修改，也不是越大越好
下面进行测试
func_list = [‘f1‘, ‘f2‘, ‘f3‘, ‘f4‘, ‘f5‘, ‘f6‘, ‘f7‘, ‘f8‘] data_list = [‘a_py‘, ‘a_py‘, ‘a_py‘, ‘a_np‘, ‘a_np‘, ‘a_np‘, ‘a_py‘, ‘a_py‘] perf_comp_data(func_list, data_list)
测试结果如下
function: f8, av. time sec: 0.00000, relative: 1.0 function: f7, av. time sec: 0.00001, relative: 1.7 function: f6, av. time sec: 0.03787, relative: 11982.7 function: f5, av. time sec: 0.05838, relative: 18472.4 function: f4, av. time sec: 0.09711, relative: 30726.8 function: f2, av. time sec: 0.82343, relative: 260537.0 function: f1, av. time sec: 0.92557, relative: 292855.2 function: f3, av. time sec: 32.80889, relative: 10380938.6
发现f8的时间最短，调大一下时间精度再测一次
function: f8, av. time sec: 0.000002483, relative: 1.0 function: f7, av. time sec: 0.000004741, relative: 1.9 function: f5, av. time sec: 0.028068110, relative: 11303.0 function: f6, av. time sec: 0.031389788, relative: 12640.6 function: f4, av. time sec: 0.053619114, relative: 21592.4 function: f1, av. time sec: 0.852619225, relative: 343348.7 function: f2, av. time sec: 1.009691877, relative: 406601.7 function: f3, av. time sec: 26.035869787, relative: 10484613.6
发现使用map的性能最高，生成器次之，其他方法的性能就差的很远了。但是使用narray数据的在一个数量级，使用python的list数据又在一个数量级。生成器的原理是并没有生成一个完整的列表，而是在内部维护一个next函数，通过一边循环迭代一遍生成下个元素的方法的实现的，所以他既不用在执行时遍历整个循环，也不用分配整个空间，它花费的时间和空间跟列表的大小是没有关系的，map与之类似，而其他实现都是跟列表大小有关系的。
未完，待续。。。。。。。。。。。。。。。。。。。。。。。。。。
标签：分享 log 数值 运算 http 1.7 expr result ber
原文地址：http://www.cnblogs.com/suntp/p/6639100.html
