作者|Andy Reagan
編譯|VK
來源|Towards Datas Science
在MATLAB和數值計算的世界，for回圈被剪掉，而向量為王，
在我的博士學位期間，Lakoba教授的數值分析課是我參加的最具挑戰性的課程之一，在課程之后，我對向量代碼有了深刻的理解，
我最喜歡的向量化例子是，一位同事在寫了一篇非常酷的論文，對其中所涉及的大量計算做了腳注，與我分享了他的lorenz96代碼，其中，內部的向量化速度比沒有向量化快了4倍，
現在，快速向量代碼使機器學習成為可能，例如QR分解，雖然我還沒做過，但我確信現在我可以用MATLAB或Numpy或Julia撰寫，
我在MassMutual做的很多作業基本上都是數值計算，一條耗時數小時與耗時數秒的管道之間的差異巨大，秒意味著我們可以迭代，嘗試更多的選項，不過，為了靈活性，很多數值代碼都是用純Python（沒有Cython，沒有Numba）撰寫的，我要說這是個壞想法！下面是一封同事的轉述郵件：
在偽代碼中，這是幾個月前我遇到的“精算”編碼難題：
EOM = 0
for months in years:
PREM = 50
BOM = EOM + PREM
WIT = 5
EOM = BOM – WIT一個簡單的例子，但是我認為顯示了BOM/EOM的相互依賴性（還有一些其他變數具有相似的關系），你不能在不知道EOM的情況下對BOM進行向量化，而且在知道BOM之前也不能對EOM進行向量化，如果WIT>0，PREM=0，基本上會出現很多相互依賴的情況，現在很多函式都不容易出現向量化，
好吧，我可以向量化這個，我做到了，以下是Python中的非向量化版本：
import numpy as np
years = 10
bom = np.zeros(years*12)
eom = np.zeros(years*12)
for month in range(1, years*12):
prem = 50
bom[month] = eom[month-1] + prem
wit = 5
eom[month] = bom[month] - wit
這是向量化版本：
import numpy as np
years = 10
prem = 50
wit = 5
eom = np.arange(years*12)*prem - np.arange(years*12)*wit
# 如果你仍希望將bom表作為陣列：
bom = eom + np.arange(years*12)*wit
我還通過使用一系列字典來撰寫for回圈：
years = 10
prem = 50
wit = 5
result = [{'bom': 0, 'eom': 0}]
for month in range(1, years*12):
inner = {}
inner.update({'bom': result[month-1]['eom'] + prem})
inner.update({'eom': inner['bom'] - wit})
result.append(inner)
上面的這個回傳一個不同型別的東西，一個dict串列…而不是兩個陣列，
我們還可以匯入Pandas來填充上述三個結果的結果（因此它們是一致的輸出，我們可以保存到excel中，等等），如果加載了Pandas，則可以使用空資料幀進行迭代，因此還有一個選項：
import numpy as np
import pandas as pd
years = 10
prem = 50
wit = 5
df = pd.DataFrame(data=https://www.cnblogs.com/panchuangai/archive/2020/10/05/{'bom': np.zeros(years*12), 'eom': np.zeros(years*12)})
for i, row in df.iterrows():
if i > 0:
row.bom = df.loc[i-1, 'eom']
row.eom = row.bom - wit
對于所有這些型別的迭代，以及回傳資料幀作為結果的選項，我們得到的結果是：
Cython 和Numba
我還添加了一些Cython版本的代碼，說明使用C可以在不使用numpy的情況下獲得向量化的性能，這確實可能在可讀性還有速度之間達到最佳平衡（保持for回圈！），
Numba也可以加速（它可能和Cython/Vectorized Numpy一樣快），在這兩種情況下（Cython/Numba），你必須小心使用哪些資料型別（因為沒有dicts或pandas！），我認為，如果你對如何集成Cython+Numpy回圈更聰明的話，它將有可能使Cython+Numpy回圈與向量化Numpy一樣快，
所有代碼，包括Cython，都可以在這里找到：https://github.com/andyreagan/vectorizing-matters，
原文鏈接：https://towardsdatascience.com/vectorizing-code-matters-66c5f95ddfd5
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方檔案：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/158110.html
標籤：其他
下一篇：多執行緒并發編程的基本問題