问题描述
zmap函数的scipy stats模块是否有替代方案?我目前正在使用它来获取两个非常大的数组的zmap分数,这需要花费一些时间。
是否有任何库或替代品可以提高其性能?甚至获得zmap函数功能的另一个方法?
您的想法和意见将不胜感激!
这是我下面的最小可重复代码:
from scipy import stats
import numpy as np
FeatureData = np.random.rand(483,1)
goodData = np.random.rand(4640,483)
Featurenorm= stats.zmap(FeatureData,goodData)
这是scipy stats.zmap在后台执行的操作:
def zmap(scores,compare,axis=0,ddof=0):
scores,compare = map(np.asanyarray,[scores,compare])
mns = compare.mean(axis=axis,keepdims=True)
sstd = compare.std(axis=axis,ddof=ddof,keepdims=True)
return (scores - mns) / sstd
关于如何针对我的用例进行优化的任何想法?我可以使用numba或JAX之类的库来进一步增强它吗?
解决方法
幸运的是,zmap
代码非常简单。但是,numpy的开销来自必须实例化中间数组的事实。如果您使用数字编译器(例如numba
或jax
中的数字编译器),它可以融合这些操作并以较少的开销进行计算。
不幸的是,numba不支持mean
和std
的可选参数,因此让我们看一下JAX。作为参考,以下是在Google Colab CPU运行时上计算的scipy和该函数的原始numpy版本的基准:
import numpy as np
from scipy import stats
FeatureData = np.random.rand(483,1)
goodData = np.random.rand(4640,483)
%timeit stats.zmap(FeatureData,goodData)
# 100 loops,best of 3: 13.9 ms per loop
def np_zmap(scores,compare,axis=0,ddof=0):
scores,compare = map(np.asanyarray,[scores,compare])
mns = compare.mean(axis=axis,keepdims=True)
sstd = compare.std(axis=axis,ddof=ddof,keepdims=True)
return (scores - mns) / sstd
%timeit np_zmap(FeatureData,best of 3: 13.8 ms per loop
这是在JAX中执行的等效代码,包括急切模式和JIT编译:
import jax.numpy as jnp
from jax import jit
def jnp_zmap(scores,compare = map(jnp.asarray,keepdims=True)
return (scores - mns) / sstd
jit_jnp_zmap = jit(jnp_zmap)
FeatureData = jnp.array(FeatureData)
goodData = jnp.array(goodData)
%timeit jnp_zmap(FeatureData,goodData).block_until_ready()
# 100 loops,best of 3: 8.59 ms per loop
jit_jnp_zmap(FeatureData,goodData) # trigger compilation
%timeit jit_jnp_zmap(FeatureData,best of 3: 2.78 ms per loop
JIT编译的版本比scipy或numpy代码快大约5倍。在Colab T4 GPU运行时上,编译版本的系数是10:
%timeit jit_jnp_zmap(FeatureData,goodData).block_until_ready()
1000 loops,best of 3: 286 µs per loop
如果这种操作是分析的瓶颈,那么像JAX这样的编译器可能是个不错的选择。