如何使用Numexpr优化多维Numpy数组操作
优化多维Numpy数组操作：掌握Numexpr的使用技巧
快速计算
Numpy性能优化的真实案例研究
这是一篇相对简短的文章。在其中，我将使用一个真实场景作为示例，解释如何在多维Numpy数组中使用Numexpr表达式，以实现显著的性能提升。
关于如何在多维Numpy数组中使用Numexpr以及如何使用Numexpr表达式的文章并不多见，所以我希望这篇文章能对你有所帮助。
介绍
最近，在回顾我的一些旧作时，我偶然发现了这段代码：
def predict(X, w, b): z = np.dot(X, w) y_hat = sigmoid(z) y_pred = np.zeros((y_hat.shape[0], 1)) for i in range(y_hat.shape[0]): if y_hat[i, 0] < 0.5: y_pred[i, 0] = 0 else: y_pred[i, 0] = 1 return y_pred这段代码将机器学习中的逻辑回归模型的预测结果从概率转化为0或1的分类结果。
但天哪，谁会用一个for loop来迭代Numpy的ndarray呢？
你可以预见到，当数据达到一定量级时，它不仅会占用大量内存，性能也会较差。
没错，写这段代码的人是年轻的我。
怀着一种责任感，我计划今天使用Numexpr库重新编写这段代码。
在此过程中，我将向你展示如何在多维Numpy数组中使用Numexpr和Numexpr的where表达式，以实现显著的性能提升。
代码实现
如果你对Numexpr的基本用法不熟悉，可以参考这篇文章：
探索Numexpr：Pandas背后的强大引擎
通过Python的Numexpr和Pandas的eval/query函数提升数据分析性能
towardsdatascience.com
