Skip to main content
 首页 » 编程设计

python之如何使这个舍入函数更快

2024年10月25日9cloudgamer

我正在尝试编写一个函数,将值四舍五入到列表中最接近的有效赔率: https://api.developer.betfair.com/services/webapps/docs/display/1smk3cen4v3lu3yomq5qye0ni/Betfair+Price+Increments

我的代码在这里:

def nclosest_valid_odds( x ): 
    """ 
    https://api.developer.betfair.com/services/webapps/docs/display/1smk3cen4v3lu3yomq5qye0ni/Betfair+Price+Increments 
    """ 
 
    r = np.empty_like( x ) 
 
    r[ x<1.0 ] = np.nan 
 
    bidx      = (1.0<=x) & (x<=2.0) 
    r[ bidx ] = 0.01 * np.round( x[ bidx ] / 0.01 ) 
 
    bidx      = (2.0<x) & (x<=3.0 ) 
    r[ bidx ] = 0.02 * np.round( x[ bidx ] / 0.02 )     
 
    bidx      = (3.0<x) & (x<=4.0) 
    r[ bidx ] = 0.05 * np.round( x[ bidx ] / 0.05 ) 
 
    bidx      = (4.0<x) & (x<=6.0) 
    r[ bidx ] = 0.1 * np.round( x[ bidx ] / 0.1 ) 
 
    bidx      = (6.0<x) & (x<=10.0) 
    r[ bidx ] = 0.2 * np.round( x[ bidx ] / 0.2 ) 
 
    bidx      = (10.0<x) & (x<=20.0) 
    r[ bidx ] = 0.5 * np.round( x[ bidx ] / 0.5 ) 
 
    bidx      = (20.0<x) & (x<=30.0) 
    r[ bidx ] = np.round( x[ bidx ] ) 
 
    bidx      = (30.0<x) & (x<=50.0) 
    r[ bidx ] = 2.0 * np.round( x[ bidx ] / 2.0 ) 
 
    bidx      = (50.0<x) & (x<=100.0) 
    r[ bidx ] = 5.0 * np.round( x[ bidx ] / 5.0 ) 
 
    bidx      = (100.0<x) & (x<=1000) 
    r[ bidx ] = 10.0 * np.round( x[ bidx ] / 10.0 ) 
 
    return r 

这里是一个使用 numba 的 floor 版本:

def floor_closest_valid_odds( x ): 
 
    r = np.zeros_like( x ) 
 
    for i in range( len( r ) ): 
        if x[i]<=1.0: 
            r[i] = np.nan 
        elif x[i]<=2.0:             
            r[i] = 0.01 * np.floor( x[i] / 0.01 )             
        elif x[i]<=3.0:                         
            r[i] = 0.02 * np.floor( x[i] / 0.02 )             
        elif x[i]<=4.0:             
            r[i] = 0.05 * np.floor( x[i] / 0.05 ) 
        elif x[i]<=6.0:             
            r[i] = 0.1 * np.floor( x[i] / 0.1 ) 
        elif x[i]<=10.0:             
            r[i] = 0.5 * np.floor( x[i] / 0.5 ) 
        elif x[i]<=20.0:             
            r[i] = 1.0 * np.floor( x[i] / 1.0 ) 
        elif x[i]<=30.0:             
            r[i] = 2.0 * np.floor( x[i] / 2.0 ) 
        elif x[i]<=50.0:             
            r[i] = 2.0 * np.floor( x[i] / 2.0 ) 
        elif x[i]<=100.0:             
            r[i] = 5.0 * np.floor( x[i] / 5.0 ) 
        elif x[i]<=1000.0:             
            r[i] = 2.0 * np.floor( x[i] / 2.0 ) 
        else:             
            r[i] = 1000.0 
    return r 
 
jfloor_closest_valid_odds = autojit( floor_closest_valid_odds ) 

我用这个来计时代码:

    x = np.random.randn( 1000000 ) 
 
    with Timer( 'nclosest_odds' ): 
        r = nclosest_valid_odds( x ) 
 
    r =helpers.jfloor_closest_valid_odds( x )     
    with Timer( 'jfloor_closest_valid_odds' ): 
        r = helpers.jfloor_closest_valid_odds( x )                  

我机器上的时间:

nclosest odds : 0.06 seconds 
jfloor_closest_odds : 0.01 seconds 

如何使用 numpy 和/或 numba 加速代码?

解决方案:

我发现来自 http://numba.pydata.org/numba-doc/dev/examples.html 的多线程示例可以变成矢量化函数。使用它可以在我的 2 核笔记本电脑上实现最佳性能。

Numba 的 Vectorize 函数也不错,虽然不是那么好。

我已将向量化器代码上传到 github:https://github.com/jsphon/MTVectorizer

下面是时序比较图。 x 轴表示输入数组的大小。 y 轴代表时间。

此图表来自双核笔记本电脑。

此图表来自配备 i7 920 CPU 的台式机。它有 8 个核心。

请您参考如下方法:

您可以通过创建幅度数组然后在最后使用幅度数组进行舍入来提高 numpy 的速度。

def nclosest_valid_odds_3( x ): 
 
    magnitudes = np.empty_like(x) 
 
    magnitudes[x < 1] = np.nan 
    magnitudes[(1 <= x) & (x <= 2)] = 0.01 
 
    v = [2, 3, 4, 6, 10, 20, 30, 50, 100, 1000] 
    m = [0.02, 0.05, 0.1, 0.2, 0.5, 1, 2, 5, 10] 
    for low, high, mag in zip(v, v[1:], m): 
        magnitudes[(low < x) & (x <= high)] = mag 
 
    return magnitudes * np.round(x / magnitudes)