简介

本章讲解 NumPy 数组的基本结构，特别是内存布局、视图（view）、副本（copy）以及数据类型（dtype）。这些概念对于理解如何充分发挥 NumPy 的计算优势至关重要。

我们考虑一个简单的例子：想要清空一个数据类型为 np.float32 的数组中的所有值。如何编写代码才能最大化运行速度？以下写法虽然直观（至少对熟悉 NumPy 的用户而言），但关键在于找出执行最快的方案。

1import numpy as np
2Z = np.ones(4*1000000, np.float32)  # 创建大小为 4*1000000 的全1数组
3print(Z)
4Z[...] = 0  # 清空数组，将所有元素设为0
5print(Z)
6print(Z.dtype)  # 打印 Z 的数据类型

如果仔细观察数组的 dtype 和总大小，你会发现该数组可以转换（即“视图”）为许多其他“兼容”的数据类型。所谓兼容，是指 Z.size * Z.itemsize 能被新数据类型的 itemsize 整除。

1import numpy as np
2from tools import timeit  # 从 tools.py（自定义模块）导入 timeit
3
4Z = np.ones(4*1000000, np.float32)  # 创建大小为 4*1000000 的 np.float32 类型数组
5
6print("np.float16:")
7# 将数组视图为 np.float16 并清零所需时间
8timeit("Z.view(np.float16)[...] = 0", globals())
9
10print("np.int16:")
11# 将数组视图为 np.int16 并清零所需时间
12timeit("Z.view(np.int16)[...] = 0", globals())
13
14print("np.int32:")
15# 将数组视图为 np.int32 并清零所需时间
16timeit("Z.view(np.int32)[...] = 0", globals())
17
18print("np.float32:")
19# 将数组视图为 np.float32 并清零所需时间
20timeit("Z.view(np.float32)[...] = 0", globals())
21
22print("np.int64:")
23# 将数组视图为 np.int64 并清零所需时间
24timeit("Z.view(np.int64)[...] = 0", globals())
25
26print("np.float64:")
27# 将数组视图为 np.float64 并清零所需时间
28timeit("Z.view(np.float64)[...] = 0", globals())
29
30print("np.complex128:")
31# 将数组视图为 np.complex128 并清零所需时间
32timeit("Z.view(np.complex128)[...] = 0", globals())
33
34print("np.int8:")
35# 将数组视图为 np.int8 并清零所需时间
36timeit("Z.view(np.int8)[...] = 0", globals())
37
38print("np.float16:")
39# 将数组视图为 np.float16 并清零所需时间
40timeit("Z.view(np.float16)[...] = 0", globals())
41
42print("np.int16:")
43# 将数组视图为 np.int16 并清零所需时间
44timeit("Z.view(np.int16)[...] = 0", globals())
45
46print("np.int32:")
47# 将数组视图为 np.int32 并清零所需时间
48timeit("Z.view(np.int32)[...] = 0", globals())
49
50print("np.float32:")
51# 将数组视图为 np.float32 并清零所需时间
52timeit("Z.view(np.float32)[...] = 0", globals())
53
54print("np.int64:")
55# 将数组视图为 np.int64 并清零所需时间
56timeit("Z.view(np.int64)[...] = 0", globals())
57
58print("np.float64:")
59# 将数组视图为 np.float64 并清零所需时间
60timeit("Z.view(np.float64)[...] = 0", globals())
61
62print("np.complex128:")
63# 将数组视图为 np.complex128 并清零所需时间
64timeit("Z.view(np.complex128)[...] = 0", globals())
65
66print("np.int8:")
67# 将数组视图为 np.int8 并清零所需时间
68timeit("Z.view(np.int8)[...] = 0", globals())

这里使用的 timeit 是一个自定义计时函数。有趣的是，最直接的清空方式并不是最快的。虽然每条指令总共执行了 100 个 CPU 周期，但其中有两条指令每次循环耗时更短。

通过将数组转换为更大的数据类型（如 np.float64），我们获得了 25% 的性能提升；而如果将数组视为字节数组（np.int8），则性能提升了 50%。这种加速的原因在于 NumPy 内部机制以及编译器优化。

这个简单示例体现了 NumPy 的设计哲学。接下来，我们将进入下一课，学习内存布局的相关知识。

1Z = np.ones(4*1000000, np.float32)