ループ内で1次元のnumpy配列のリストを生成し、後でこのリストを2次元のnumpy配列に変換します。前もってアイテムの数を知っていれば、2D numpy配列を事前に割り当てていましたが、そうではないので、すべてをリストに入れます。
モックアップは以下のとおりです。
>>> list_of_arrays = map(lambda x: x*ones(2), range(5))
>>> list_of_arrays
[array([ 0., 0.]), array([ 1., 1.]), array([ 2., 2.]), array([ 3., 3.]), array([ 4., 4.])]
>>> arr = array(list_of_arrays)
>>> arr
array([[ 0., 0.],
[ 1., 1.],
[ 2., 2.],
[ 3., 3.],
[ 4., 4.]])
私の質問は次のとおりです。
リストに入れてからnumpy.arrayを作成するよりも、連続した数値データ(私の場合はnumpy配列)を収集するタスクを実行するより良い方法がありますか(新しいobjを作成してコピーしています)データ)?十分にテストされたモジュールで利用可能な「拡張可能な」マトリックスデータ構造はありますか?
私の2Dマトリックスの典型的なサイズは、100x10〜5000x10フロートです
編集: この例ではmapを使用していますが、実際のアプリケーションではforループがあります
最終的な配列arr
が5000x10より大きくなることはないと知っているとします。次に、最大サイズの配列を事前に割り当て、ループを通過するときにデータを入力し、arr.resize
ループの終了後に、検出されたサイズに切り詰めます。
以下のテストでは、配列の最終的なサイズに関係なく、中間pythonリストを作成するよりもわずかに高速になります。
また、arr.resize
は未使用のメモリの割り当てを解除するため、最終的な(おそらく中間ではない)メモリフットプリントはpython_lists_to_array
。
これはnumpy_all_the_way
は高速です。
% python -mtimeit -s"import test" "test.numpy_all_the_way(100)"
100 loops, best of 3: 1.78 msec per loop
% python -mtimeit -s"import test" "test.numpy_all_the_way(1000)"
100 loops, best of 3: 18.1 msec per loop
% python -mtimeit -s"import test" "test.numpy_all_the_way(5000)"
10 loops, best of 3: 90.4 msec per loop
% python -mtimeit -s"import test" "test.python_lists_to_array(100)"
1000 loops, best of 3: 1.97 msec per loop
% python -mtimeit -s"import test" "test.python_lists_to_array(1000)"
10 loops, best of 3: 20.3 msec per loop
% python -mtimeit -s"import test" "test.python_lists_to_array(5000)"
10 loops, best of 3: 101 msec per loop
これはnumpy_all_the_way
使用するメモリが少ない:
% test.py
Initial memory usage: 19788
After python_lists_to_array: 20976
After numpy_all_the_way: 20348
test.py:
import numpy as np
import os
def memory_usage():
pid = os.getpid()
return next(line for line in open('/proc/%s/status' % pid).read().splitlines()
if line.startswith('VmSize')).split()[-2]
N, M = 5000, 10
def python_lists_to_array(k):
list_of_arrays = list(map(lambda x: x * np.ones(M), range(k)))
arr = np.array(list_of_arrays)
return arr
def numpy_all_the_way(k):
arr = np.empty((N, M))
for x in range(k):
arr[x] = x * np.ones(M)
arr.resize((k, M))
return arr
if __== '__main__':
print('Initial memory usage: %s' % memory_usage())
arr = python_lists_to_array(5000)
print('After python_lists_to_array: %s' % memory_usage())
arr = numpy_all_the_way(5000)
print('After numpy_all_the_way: %s' % memory_usage())
numpy.concatenate
を使用する便利な方法。 @unutbuの答えよりも速いと思います:
In [32]: import numpy as np
In [33]: list_of_arrays = list(map(lambda x: x * np.ones(2), range(5)))
In [34]: list_of_arrays
Out[34]:
[array([ 0., 0.]),
array([ 1., 1.]),
array([ 2., 2.]),
array([ 3., 3.]),
array([ 4., 4.])]
In [37]: shape = list(list_of_arrays[0].shape)
In [38]: shape
Out[38]: [2]
In [39]: shape[:0] = [len(list_of_arrays)]
In [40]: shape
Out[40]: [5, 2]
In [41]: arr = np.concatenate(list_of_arrays).reshape(shape)
In [42]: arr
Out[42]:
array([[ 0., 0.],
[ 1., 1.],
[ 2., 2.],
[ 3., 3.],
[ 4., 4.]])
@Gill Batesの答えよりもさらに簡単なのが、1行のコードです。
np.stack(list_of_arrays, axis=0)
独自のバージョンの〜unutbuの回答を追加します。 numpy_all_theの方法に似ていますが、インデックスエラーがある場合は動的にサイズを変更します。小さいデータセットの場合は少し速くなると思っていましたが、少し遅くなります-境界チェックにより物事が遅くなりすぎます。
initial_guess = 1000
def my_numpy_all_the_way(k):
arr=np.empty((initial_guess,M))
for x,row in enumerate(make_test_data(k)):
try:
arr[x]=row
except IndexError:
arr.resize((arr.shape[0]*2, arr.shape[1]))
arr[x]=row
arr.resize((k,M))
return arr
さらに簡単な@fnjnの答え
np.vstack(list_of_arrays)
あなたがしていることは標準的な方法です。 numpy配列の特性は、連続したメモリが必要なことです。私が考えることができる「穴」の唯一の可能性は、strides
のPyArrayObject
メンバーで可能ですが、それはここでの議論には影響しません。 numpy配列は連続したメモリを持ち、「事前に割り当てられている」ため、新しい行/列を追加することは、新しいメモリを割り当て、データをコピーし、古いメモリを解放することを意味します。それをたくさんやると、あまり効率的ではありません。
誰かがリストを作成して、最後にnumpy配列に変換したくない場合の1つは、リストに多くの数字が含まれている場合です:numpyの数字配列は、ネイティブPython数字のリスト(ネイティブPythonリストストアPythonオブジェクト)から。典型的な配列サイズについては、問題。
配列のリストから最終的な配列を作成すると、areすべてのデータを新しい場所(例では2-d)にコピーします)配列。これは、numpy配列を使用して新しいデータを取得するたびにnext = numpy.vstack((next, new_row))
を実行するよりもはるかに効率的です。 vstack()
は、すべての「行」のすべてのデータをコピーします。
numpy-discussionメーリングリストのスレッド があり、効率的な拡張/追加を可能にする新しいnumpy配列型を追加する可能性について議論しました。当時はこれに大きな関心があったようですが、それから何かが出てきたかどうかはわかりません。あなたはそのスレッドを見たいと思うかもしれません。
私はあなたがやっていることは非常にPython的で効率的であると言いますので、本当に何か他のものが必要でない限り(おそらくスペース効率が高いでしょうか?)、あなたは大丈夫です。これは、最初に配列内の要素の数がわからないときにnumpy配列を作成する方法です。