Numpy和Matlab的性能差异

Numpy是Python中常用的数学库，Matlab则是专门为数值计算和数据可视化而设计的软件，两者面向的用户和应用场景有些不同。但是在一些数学计算的方面，两者都可以进行处理，因此我们有必要对两者进行比较探究，以便在适当的时候选择合适的工具。

阅读更多：Numpy 教程

性能比较

性能比较一般都是通过对同一资源、同一环境、同一代码的运行时间进行对比，这里我们也采用同样的方法对Numpy和Matlab进行对比。

测试环境

我们选用了一台配置较高的Windows台式机进行测试，采用的测试软件为Python3.7.6和MatlabR2019b，具体的环境如下：

Intel Core i9-9900K处理器（4.90 GHz）
32.0 GB RAM
Nvidia GeForce GTX 1070Ti显卡

测试代码

测试代码是一段简单的向量计算代码，分别通过Python Numpy和Matlab实现，代码如下：

Python Numpy版本：

import numpy as np

n = 10000000
a = np.random.rand(n)
b = np.random.rand(n)

start_time = datetime.datetime.now()
c = np.dot(a,b)
end_time = datetime.datetime.now()

print("Numpy: " + str((end_time - start_time).microseconds/1000))

Matlab版本：

n = 10000000;
a = rand(n,1);
b = rand(n,1);

tic
c = a' * b;
toc

测试结果

我们分别运行了Python Numpy和Matlab的代码，运行结果如下：

Numpy: 2.524ms

Matlab: 29ms

从结果来看，Numpy的效率要优于Matlab，可能是由于Matlab是专门为数值计算和数据可视化而设计的软件，它的处理过程中涉及到了更多的资源占用，而Numpy则是一个轻量级的Python库，运行速度更加快速。

性能优化

以上我们对Numpy与Matlab的性能进行了简单的对比，发现Numpy的效率更高，但是还有许多方法可以进一步优化Numpy的性能。

选择合适的数据类型

Numpy提供了不同的数据类型（Dtype），不同的数据类型之间的效率也有所不同。例如，numpy.int8相比于numpy.int64而言，内存占用和运算速度会更快。

例如，在算法中使用大数据时，我们可以考虑使用numpy.float16，虽然它在精度上有所损失，但感知到的精度几乎相同，可以节省一半的内存，极大地提高算法的运行速度。

避免不必要的数据复制

由于Python的内存管理机制，当对numpy数组进行某些操作时，它们可能会进行数据复制。这时可能会导致性能降低。

为了避免数据复制，可以使用以下方式：

使用原地修改，例如使用 += 或者 *=，这会改变原始数据而不是在新的数据上面进行操作。
如果数组可以被改变而不会影响其他引用，那么可以开启一个视图，这样不需要将整个数组复制一遍。我们可以使用切片 (:)，reshape()等命令来创建视图。

使用numpy库内置的函数

Numpy提供了许多高效的函数来完成常见的计算任务。使用这些函数通常会比使用自己编写的代码更加高效。

常见的高效的Numpy函数有：

np.dot：矩阵乘法
-np.linalg.norm：向量或矩阵的范数
np.sum：数组元素求和
np.mean：计算平均值
np.std：计算标准差
等等

例如，我们可以使用np.dot代替循环计算两个数组的点积，代码如下：

import numpy as np

n = 10000000
a = np.random.rand(n)
b = np.random.rand(n)

start_time = datetime.datetime.now()
c = np.dot(a, b)
end_time = datetime.datetime.now()

print("Numpy dot: " + str((end_time - start_time).microseconds/1000))

使用并行处理

Numpy提供了一些多线程操作函数，可以提高运算效率。例如，使用np.dot函数时，我们可以设置多线程计算，代码如下：

import numpy as np
import multiprocessing

n = 10000000
a = np.random.rand(n)
b = np.random.rand(n)

start_time = datetime.datetime.now()
c = np.dot(a, b, out=multiprocessing.Array('d', 1), casting='no')
c = c[0]
end_time = datetime.datetime.now()

print("Numpy dot with parallel computing: " + str((end_time - start_time).microseconds/1000))

使用Numba加速计算

Numba是一种Python库，可以自动将Python代码编译成机器代码，从而提高其运行速度。Numba可以翻译NumPy和Python代码，以便在使用Numpy时可以获得更好的性能。

例如，我们可以使用Numba对Numpy代码进行如下优化：

import numpy as np
from numba import jit

@jit
def numba_dot():
    n = 10000000
    a = np.random.rand(n)
    b = np.random.rand(n)
    c = np.dot(a, b)
    return c

start_time = datetime.datetime.now()
c = numba_dot()
end_time = datetime.datetime.now()

print("Numpy dot with Numba: " + str((end_time - start_time).microseconds/1000))