在本文中，笔者将介绍Numexpr这个强大的Python库，它可以显著提升NumPy数组的计算性能。

Numexpr是一个专门用于提高NumPy数组计算性能的工具。它通过避免为中间结果分配内存，提高了缓存利用率并减少了内存访问，从而实现更好的性能。相比于NumPy，Numexpr的多线程功能可以充分利用所有核心，通常带来显著的性能扩展。

github链接：

Numpy计算

当Numpy遇到大数组时，逐元素计算会遇到两个极端。例如下面的代码是两个大的NumPy数组：

import numpy as npimport numexpr as nex = np.random.rand(10_000_000)y = np.random.rand(10_000_000)

如若要计算表达式 x ** 8 + y * 2 的结果，通常有两种方法：

一是Numpy的向量化计算，使用两个临时数组temp_x和temp_y分别存储 x ** 8 和 y * 2 的结果。实现方案如下：

import numpy as npimport numexpr as neimport timeitx = np.random.rand(100_000_000)y = np.random.rand(100_000_000)def calculation():    temp_x = x ** 8    temp_y = y * 2    result = temp_x + temp_y    print(result)execution_time = timeit.timeit(calculation, number=1)print(f"Execution time: {execution_time} seconds")

这时候，内存中有四个数组，分别是：x、y、temp_x 和 temp_y，势必容易造成大量的内存浪费。

Execution time: 3.1453814 seconds

并且，每个数组的大小都超出了CPU缓存的容量，无法很好的利用它。

另一种方法是遍历两个数组中每个元素并分别计算：

import numpy as npimport numexpr as neimport timeitx = np.random.rand(100_000_000)y = np.random.rand(100_000_000)z = np.empty(100_000_000, dtype=np.uint32)def calcu_elements(x, y, z):    for i in range(0, len(x), 1):        z[i] = x[i] ** 8 + 2 * y[i]# 使用lambda函数将calcu_elements函数包装起来，并将其作为参数传递给timeit.timeit函数execution_time = timeit.timeit(lambda: calcu_elements(x, y, z), number=1)print(f"Execution time: {execution_time} seconds")

Execution time: 57.0129075 seconds

这种方法的性能更差，运算速度非常慢，因为它不能使用矢量化计算，并且只能部分利用CPU缓存。

Numexpr计算

Numexpr提供了一个evaluate方法，它接收一个表达式字符串，并将其编译为字节码进行计算。

同时，Numexpr还包含一个虚拟机程序，其中包含多个向量寄存器，用于存储数据块，每个向量寄存器使用的块大小为4096。

在计算过程中，Numexpr会将数据块发送到CPU的L1缓存中，以避免内存访问的延迟，并提高计算效率。此外，Numexpr的虚拟机是用C编写的，不受Python的GIL限制，可以充分利用多核CPU的计算能力。

相比单独使用NumPy，Numexpr在计算大型数组时通常会更快。实现代码如下：

import numpy as npimport numexpr as neimport timeitx = np.random.rand(100_000_000)y = np.random.rand(100_000_000)def calculate_expression():    return ne.evaluate('x ** 8 + y * 2')execution_time = timeit.timeit(calculate_expression, number=1)print(f"Execution time: {execution_time} seconds")

Execution time: 0.36257230000000007 seconds

由此可以看出，Numexpr计算速度相比于Numpy，明显快到飞起！