基于Python装饰器的向量化计算速度对比

timer是一个装饰器，功能是给被装饰的函数计时。如果要进一步了解装饰器的使用，点击此链接Python闭包函数和装饰器
sumOfLoop函数是常规的使用for进行循环遍历求和的方法；
sumOfComprehension函数使用推导式得出新的列表，然后用内置sum函数求出列表的和；
sumOfVectorization函数使用np.dot方法求出两个数据类型的为numpy.ndarray的对象的点积，两个向量a = [a1, a2,…, an]和b = [b1, b2,…, bn]的点积定义为：a·b=a1b1+a2b2+……+anbn。
np.random.rand()方法需要传入一个参数，例如传入参数为5，则返回一个数据类型为numpy.ndarray、长度为5、其中元素的值范围为0-1的对象，如下图所示：

np.random.rand()方法.png

from time import time
import numpy as np

def timer(func):
    def inner(*args,**kwargs):
        start = time()
        result = func(*args,**kwargs)
        end = time()
        usedTime = 1000 * (end - start)
        print("%s function used %.2f ms,return %.4f" %(func.__name__,usedTime,result))
        return result
    return inner

@timer
def sumOfLoop(np_array):
    result = 0
    for i in np_array:
        result += i * i
    return result

@timer
def sumOfComprehension(np_array):
    return sum([i * i for i in np_array])

@timer
def sumOfVectorization(np_array):
    return np.dot(np_array,np_array)

if __name__ == "__main__":
    print("计算小数平方和三种方法对比:")
    n = np.random.rand(3000000)
    a = sumOfLoop(n)
    print(a)
    sumOfComprehension(n)
    sumOfVectorization(n)
    print("计算整数平方和三种方法对比:")
    n = np.array(range(3000000)).astype('int64')
    sumOfLoop(n)
    sumOfComprehension(n)
    sumOfVectorization(n)

本文作者在2018年7月13日晚11点的运行结果如下：

计算小数平方和三种方法对比:
sumOfLoop function used 1036.76 ms,return 999213.4882
sumOfComprehension function used 1103.75 ms,return 999213.4882
sumOfVectorization function used 2.00 ms,return 999213.4882
计算整数平方和三种方法对比:
sumOfLoop function used 545.89 ms,return 8999995500000499712.0000
sumOfComprehension function used 718.86 ms,return 8999995500000499712.0000
sumOfVectorization function used 5.00 ms,return 8999995500000499712.0000