本系列文章由 @yhl_leo 出品，轉(zhuǎn)載請注明出處。
文章鏈接： http://blog.csdn.net/yhl_leo/article/details/51793984

---

本文列舉出幾種python中常見的計(jì)算點(diǎn)積的方式，并統(tǒng)計(jì)隨著向量維度的增大，各種方法的計(jì)算效率上的差異。

運(yùn)行環(huán)境：

• CPU：Intel? Core? i7-5930K @ 3.50GHz
• Python： 2.7.6

代碼：

from itertools import izip, starmap, imap import operator import numpy as np import timer = range(10000)# method 1 np.dot(r,r)# method 2 sum(starmap(operator.mul, izip(r,r)))# method 3 out = 0 for k in range(len(r)):out += r[k] * r[k]# method 4 sum(map(operator.mul,r,r))# method 5 sum(imap(operator.mul,r,r))# method 6 sum(i*j for i, j in zip(r, r))

統(tǒng)計(jì)在不同向量維度：

10, 100, 1000, 2000, 3000, 4000, 5000, 8000, 10000

各運(yùn)行三次：

10 1. 0.000285 0.000188 0.000309 2. 0.000117 6.3e-05 9.4e-05 3. 9.9e-05 6.1e-05 9.2e-05 4. 8.6e-05 4.4e-05 7.6e-05 5. 5.7e-05 4e-05 6.99999999999e-05 6. 9.3e-05 6e-05 8.29999999999e-05 100 1. 0.000513 0.00052 0.000504 2. 0.000169 0.000162 0.000167 3. 0.000451 0.000311 0.000288 4. 0.000137 0.000144 0.000153 5. 0.000131 0.000138 0.000141 6. 0.000224 0.000271 0.000216 1000 1. 0.001683 0.001687 0.001679 2. 0.000664 0.00065 0.000661 3. 0.002238 0.002301 0.002582 4. 0.000821 0.00089 0.00088 5. 0.000707 0.000928 0.000822 6. 0.001958 0.001948 0.00193 2000 1. 0.003138 0.00306 0.003158 2. 0.001197 0.001089 0.001075 3. 0.005211 0.004113 0.004399 4. 0.001891 0.001826 0.001953 5. 0.001415 0.001456 0.00173 6. 0.003595 0.003884 0.004285 3000 1. 0.004468 0.004292 0.004507 2. 0.001842 0.001727 0.001637 3. 0.007802 0.007341 0.006858 4. 0.002548 0.002274 0.0022 5. 0.002374 0.002348 0.002335 6. 0.005697 0.005613 0.005669 4000 1. 0.005946 0.005987 0.005954 2. 0.002251 0.002102 0.002189 3. 0.009069 0.010478 0.009226 4. 0.003149 0.003699 0.003363 5. 0.003032 0.003536 0.003142 6. 0.012805 0.012598 0.012316 5000 1. 0.007411 0.00731 0.007234 2. 0.002744 0.002508 0.002576 3. 0.012194 0.01231 0.009216 4. 0.003953 0.003815 0.003936 5. 0.00354 0.002698 0.002948 6. 0.013849 0.012262 0.015122 8000 1. 0.010604 0.011742 0.011604 2. 0.004712 0.004703 0.005037 3. 0.020271 0.014874 0.020436 4. 0.007199 0.006417 0.007193 5. 0.006887 0.006889 0.006892 6. 0.021665 0.021659 0.021992 10000 1. 0.01461 0.013028 0.014307 2. 0.005814 0.005789 0.005875 3. 0.023581 0.025064 0.025116 4. 0.008041 0.008833 0.008868 5. 0.007898 0.008619 0.008925 6. 0.025248 0.02643 0.026212

取運(yùn)行時(shí)間的均值，繪制成曲線圖，可以看出，幾種方法里，第2種方法的復(fù)雜度最小，隨著向量維度的增加，時(shí)間消耗增加比較緩慢，而其他方法則相對較大。

轉(zhuǎn)載于:https://www.cnblogs.com/hehehaha/p/6332120.html

總結(jié)

以上是生活随笔為你收集整理的python 几种点积运算方式效率分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。