Array-orientierte Programmierung – Vektorisierung#

Die Verwendung von NumPy-Arrays ermöglicht euch, viele Arten von Datenverarbeitungsaufgaben als prägnante Array-Ausdrücke auszudrücken, die andernfalls das Schreiben von for-Schleifen erfordern würden. Diese Praxis, Schleifen durch Array-Ausdrücke zu ersetzen, wird auch Vektorisierung genannt. Im Allgemeinen sind vektorisierte Array-Operationen deutlich schneller als ihre reinen Python-Entsprechungen.

[1]:
import numpy as np

Zunächst erstellen wir ein NumPy-Array mit hunderttausend Ganzzahlen:

[2]:
myarray = np.arange(100000)

Anschließend quadrieren wir alle Elemente in diesem Array mit numpy.square:

[3]:
%time np.square(myarray)
CPU times: user 513 µs, sys: 2.92 ms, total: 3.44 ms
Wall time: 342 µs
[3]:
array([         0,          1,          4, ..., 9999400009, 9999600004,
       9999800001])

Zum Vergleich messen wir nun die Zeit der quadratischen Funktion von Python:

[4]:
%time for _ in range(10): myarray2 = myarray**2
CPU times: user 1.77 ms, sys: 9.21 ms, total: 11 ms
Wall time: 1.03 ms

Und schließlich vergleichen wir die Zeit noch mit der Berechnung der quadratischen Funktion aller Werte einer Python-Liste:

[5]:
mylist = list(range(100000))
%time for _ in range(10): mylist2 = [x**2 for x in mylist]
CPU times: user 111 ms, sys: 351 ms, total: 461 ms
Wall time: 45.6 ms