python - numpy.unique vs collections.Counter 性能问题

问题描述

我正在尝试计算成对值的出现次数。运行以下代码时，numpy 版本（pairs_frequency2）比依赖于 collections.Counter 的版本慢 50% 以上（当点数增加时会变得更糟）。有人可以解释原因。

是否有可能的 numpy 重写以实现更好的性能？

提前致谢。

import numpy as np
from collections import Counter

def pairs_frequency(x, y):
    counts = Counter(zip(x, y))
    res = np.array([[f, a, b] for ((a, b), f) in counts.items()])
    return res[:, 0], res[:, 1], res[:, 2]

def pairs_frequency2(x, y):
    unique, counts = np.unique(np.column_stack((x,y)), axis=0, return_counts=True)
    return counts, unique[:,0], unique[:,1]


x = np.random.randint(low=1, high=11, size=50000)
y = x + np.random.randint(1, 5, size=x.size)

%timeit pairs_frequency(x, y)

%timeit pairs_frequency2(x, y)

标签： pythonnumpy

numpy.unique对其参数进行排序，因此其时间复杂度为 O(n*log(n))。看起来这个Counter类可能是 O(n)。

如果您的数组中的值是不是太大的非负整数，则此版本非常快：

def pairs_frequency3(x, y, maxval=15):
    z = maxval*x + y
    counts = np.bincount(z)
    pos = counts.nonzero()[0]
    ux, uy = np.divmod(pos, maxval)
    return counts[pos], ux, uy

设置为 1 加上和maxval中的最大值。（您可以删除参数，并添加代码以查找函数中的最大值。）xy

时间（x并y在问题中生成）：

In [13]: %timeit pairs_frequency(x, y)
13.8 ms ± 77.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [14]: %timeit pairs_frequency2(x, y)
32.9 ms ± 631 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [15]: %timeit pairs_frequency3(x, y)
129 µs ± 1.03 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

注意第三个结果的时间单位变化。

pairs_frequency3以与相同的顺序返回数组pairs_frequency2，因此很容易验证它们是否返回相同的值：

In [26]: counts2, x2, y2 = pairs_frequency2(x, y)

In [27]: counts3, x3, y3 = pairs_frequency3(x, y)

In [28]: np.all(counts2 == counts3) and np.all(x2 == x3) and np.all(y2 == y3)
Out[28]: True

python - numpy.unique vs collections.Counter 性能问题

问题描述

解决方案

推荐阅读