NumPy性能优化的实例技巧

import numpy as np

# 使用向量化操作
arr = np.random.rand(1000000)

# 非向量化操作
result_non_vectorized = [np.sin(x) for x in arr]

# 向量化操作
result_vectorized = np.sin(arr)

# 使用 NumPy 的通用函数
arr = np.random.rand(1000000)

# 非通用函数操作
result_non_ufunc = [np.sin(x) + np.cos(x) for x in arr]

# 通用函数操作
result_ufunc = np.sin(arr) + np.cos(arr)

# 使用 NumPy 的聚合操作
arr = np.random.rand(1000000)

# 非聚合操作
result_non_aggregated = sum(arr)

# 聚合操作
result_aggregated = np.sum(arr)

# 使用 NumPy 的广播
arr = np.random.rand(3, 3)
scalar = 2

# 非广播操作
result_non_broadcasted = arr + scalar

# 广播操作
result_broadcasted = arr + scalar

# 使用 NumPy 的视图而非复制
arr = np.random.rand(1000, 1000)

# 复制操作
arr_copy = arr.copy()

# 视图操作
arr_view = arr[:10, :10]

# 使用 Cython 进行编译优化
# 示例代码可参考 Cython 官方文档：https://cython.readthedocs.io/

# 使用 Numba 进行编译优化
# 示例代码可参考 Numba 官方文档：http://numba.pydata.org/

import numpy as np
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor

# 使用多线程
with ThreadPoolExecutor() as executor:
    result_threaded = list(executor.map(np.sin, np.random.rand(1000000)))

# 使用多进程
with ProcessPoolExecutor() as executor:
    result_multiprocessed = list(executor.map(np.sin, np.random.rand(1000000)))

# 使用 cProfile 进行性能分析
import cProfile

def my_function():
    # Your code here

cProfile.run('my_function()')

# 使用 line_profiler 进行性能分析
# 示例代码可参考 line_profiler 官方文档：https://github.com/rkern/line_profiler