作者:mobiledu2502857923 | 来源:互联网 | 2023-09-12 22:15
numba
有了numba
它可以优化 这两个
场景。从语法上讲,您只需要构造一个带有简单for
循环的函数:
from numba import njit
@njit
def get_first_index_nb(A, k):
for i in range(len(A)):
if A[i] > k:
return i
return -1
idx = get_first_index_nb(A, 0.9)
Numba通过JIT(“及时”)编译代码并利用CPU级别的优化来提高性能。一个 常规的for
无环路@njit
装饰通常会 慢 比你已经尝试了在条件满足后期的情况下的方法。
对于Pandas数值系列df['data']
,您可以简单地将NumPy表示提供给JIT编译的函数:
idx = get_first_index_nb(df['data'].values, 0.9)
概括
由于numba
允许以函数作为参数,并且假设传递的函数也可以JIT编译,则可以找到一种方法来计算第 n 个索引,其中满足任意条件的条件func
。
@njit
def get_nth_index_count(A, func, count):
c = 0
for i in range(len(A)):
if func(A[i]):
c += 1
if c == count:
return i
return -1
@njit
def func(val):
return val > 0.9
# get index of 3rd value where func evaluates to True
idx = get_nth_index_count(arr, func, 3)
对于第三个 最后的 值,可以喂相反,arr[::-1]
和否定的结果len(arr) - 1
,则- 1
需要考虑0索引。
绩效基准
# Python 3.6.5, NumPy 1.14.3, Numba 0.38.0
np.random.seed(0)
arr = np.random.rand(10**7)
m = 0.9
n = 0.999999
@njit
def get_first_index_nb(A, k):
for i in range(len(A)):
if A[i] > k:
return i
return -1
def get_first_index_np(A, k):
for i in range(len(A)):
if A[i] > k:
return i
return -1
%timeit get_first_index_nb(arr, m) # 375 ns
%timeit get_first_index_np(arr, m) # 2.71 µs
%timeit next(iter(np.where(arr > m)[0]), -1) # 43.5 ms
%timeit next((idx for idx, val in enumerate(arr) if val > m), -1) # 2.5 µs
%timeit get_first_index_nb(arr, n) # 204 µs
%timeit get_first_index_np(arr, n) # 44.8 ms
%timeit next(iter(np.where(arr > n)[0]), -1) # 21.4 ms
%timeit next((idx for idx, val in enumerate(arr) if val > n), -1) # 39.2 ms