<p>numpy.vectorize의 구현은 본질적으로 for 루프입니까?</p>

예. Python (numpy 포함) 및 MATLAB ™과 같은 해석 된 숫자 배열 프로그래밍 언어의 맥락에서 종종 "벡터화"를 사용하여 해석 된 프로그래밍 언어의 명시 적 루프를 모든 것을 처리하는 함수 (또는 연산자)로 대체하는 것을 나타냅니다. 내부적으로 논리 루핑. numpy에서 ufunc 는이 논리를 구현합니다. 이것은 둘 다 유사한 은유를 사용한다는 점을 제외하고는 동시에 여러 입력에 대해 계산하는 SIMD CPU 명령을 사용하는 "벡터화"사용과 관련이 없습니다. 이들은 "스칼라"대응 물과 비슷하지만 여러 입력 값에 대해 계산을 수행합니다. 한 번의 호출로.

numpy.vectorize() 사용하면 일반적으로 명시적인 Python for 루프에 비해 속도 이점이 많지 않습니다. 그것의 요점은 파이썬 함수를 ufunc 로 바꾸는 것인데, 이것은 모든 방송 의미를 구현하고 따라서 어떤 크기의 입력도 처리합니다. "벡터화"되는 Python 함수는 여전히 대부분의 시간을 차지하며 각 요소의 원시 값을 함수에 전달할 Python 객체로 변환합니다. np.vectorize(lambda x, y: x + y) 가 루프와 루프의 내용 모두에서 C 인 ufunc np.add 만큼 빠르다고 기대하지 않습니다.

자세한 설명 감사합니다. 그러나 명확하게 예를 들어 보겠습니다.

import pandas as pd
import numpy as np
df = pd.DataFrame({'a': range(100000), 'b': range(1, 1000001)})
# method1
df.loc[:, 'c'] = df.apply(lambda x: x['a'] + x['b'], axis=1)
# method2 
df.loc[:, 'c'] = np.vectorize(lambda x, y: x + y)(df['a'], df['b'])
# method3
df.loc[:, 'c'] = np.add(df['a'], df['b'])

그래서 당신의 설명과 함께

방법 | C의 루프 | C의 루프 내용 | SIMD 사용
-| -| -| -
1 | × | × | ×
2 | √ | × | ×
3 | √ | √ | √

권리?

np.add 는 C double을 Python 객체로 변환하고 Python 함수 호출 오버 헤드를 방지하므로 np.vectorize(lambda x, y: x + y) 보다 빠릅니다. AVX2 확장이 있는지 여부에 따라 SIMD 명령어를 사용할 수도 있지만 이것이 더 빠른 이유는 아닙니다.

np.add 는 C double을 Python 객체로 변환하고 Python 함수 호출 오버 헤드를 방지하므로 np.vectorize(lambda x, y: x + y) 보다 빠릅니다. AVX2 확장이 있는지 여부에 따라 SIMD 명령어를 _also_ 사용할

알았어. 감사.

numba의 vectorize 를 사용하여 Python 오버 헤드없이 병렬로 작동하는 ufunc를 생성 할 수 있습니다.

https://numba.pydata.org/numba-doc/latest/user/vectorize.html