我正在学习如何在 IPython 中使用 %timeit 魔法命令,实际上是在 Python 3 中使用 Jupyter notebook。如果我尝试为各种大小的数组计时 NumPy 排序函数:
n = 10
for i in range(n):
arr = np.random.rand(2**(i+10))
%timeit -n 2 np.sort(arr)
然后我得到了一系列大致递增的时间,正如我所期望的那样。
但是,如果我尝试将这段代码打包到一个函数中,我不会得到我期望的输出:所有时间都差不多!
def my_func(n):
for i in range(n):
arr = np.random.rand(2**(i+10))
%timeit -n 10 np.sort(arr)
my_func(10)
请查看显示结果的 Jupyter notebook here .
谁能解释我做错了什么,或者我误解了什么?
请您参考如下方法:
%timeit 不应该在函数内部正确工作(目前)。如果你开始一个新的笔记本(或重新启动你的笔记本)并且只使用:
import numpy as np
def my_func(n):
for i in range(n):
arr = np.random.rand(2**(i+10))
%timeit -n 10 np.sort(arr)
my_func(10)
它会抛出一个NameError:
NameError: name 'arr' is not defined
那是因为 %timeit 只检查全局变量而不检查局部变量(所以它忽略了变量 arr = np.random.rand(2**(i+10)) 在你的函数中定义)。
如果你使用这段代码,它会很明显:
import numpy as np
arr = np.array([1, 2, 3])
def my_func(n):
for i in range(n):
arr = np.random.rand(2**(i+10))
%timeit -n 2 -r 1 print(arr)
my_func(10)
打印:
[1 2 3] [1 2 3] 3.44 ms ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 670 µs ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 2.04 ms ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 451 µs ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 906 µs ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 1.01 ms ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 767 µs ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 890 µs ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 1.28 ms ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each) [1 2 3] [1 2 3] 919 µs ± 0 ns per loop (mean ± std. dev. of 1 run, 2 loops each)
所以在你的情况下,它总是从你的非函数运行(这是全局的)中找到最后一个 arr 。这也解释了为什么函数的时间大致相同。因为它总能找到相同的arr。
