> [!NOTE] > 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。 > [English](./README.en.md) · [原始项目](https://github.com/pydata/numexpr) · [上游 README](https://github.com/pydata/numexpr/blob/HEAD/README.rst) > 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。 ====================================================== NumExpr：面向 NumPy 的快速数值表达式求值器 ====================================================== :Author: David M. Cooke、Francesc Alted 等。 :Maintainer: Francesc Alted :Contact: faltet@gmail.com :URL: https://github.com/pydata/numexpr :Documentation: http://numexpr.readthedocs.io/en/latest/ :GitHub Actions: |actions| :PyPi: |version| :DOI: |doi| :readthedocs: |docs| .. |actions| image:: https://github.com/pydata/numexpr/workflows/Build/badge.svg :target: https://github.com/pydata/numexpr/actions .. |travis| image:: https://travis-ci.org/pydata/numexpr.png?branch=master :target: https://travis-ci.org/pydata/numexpr .. |docs| image:: https://readthedocs.org/projects/numexpr/badge/?version=latest :target: http://numexpr.readthedocs.io/en/latest .. |doi| image:: https://zenodo.org/badge/doi/10.5281/zenodo.2483274.svg :target: https://doi.org/10.5281/zenodo.2483274 .. |version| image:: https://img.shields.io/pypi/v/numexpr :target: https://pypi.python.org/pypi/numexpr 什么是 NumExpr？ ---------------- NumExpr 是面向 NumPy 的快速数值表达式求值器。借助它， 作用于数组的表达式（例如 :code:`'3*a+4*b'`）会获得加速， 并且比用 Python 做相同计算占用更少内存。 此外，其多线程能力可以利用你的所有 CPU 核心——与 NumPy 相比，通常能带来显著的性能扩展。 最后同样重要的是，numexpr 可以利用 Intel 的 VML（Vector Math Library，向量数学库，通常集成在其 Math Kernel Library（MKL）中）。 这可以进一步加速超越函数（transcendental）表达式的计算。 NumExpr 如何实现高性能 ------------------------------------- NumExpr 比 NumPy 性能更好的主要原因 是它避免为中间结果分配内存。这 会带来更好的缓存利用率，并总体上减少内存访问。 正因如此，NumExpr 最适合处理大型数组。 NumExpr 将表达式解析为自身的操作码（op-codes），然后由 集成的计算虚拟机使用。数组操作数被拆分为 易于放入 CPU 缓存的小块（chunk），并传递给 虚拟机。虚拟机随后对每个块 应用相应运算。值得注意的是，表达式中的所有临时变量和 常量也会被分块。这些块会分配到 CPU 的可用核心上，从而实现高度并行的代码 执行。 其结果是，NumExpr 可以在按数组进行的计算中充分发挥机器的 计算能力。相对于 NumPy，常见的加速比通常介于 0.95 倍（对于非常简单的表达式，如 :code:`'a + 1'`）和 4 倍（对于相对复杂的表达式，如 :code:`'a*b-4.1*a > 2.5*b'`）之间， 尽管对于某些函数和复杂 数学运算，可以实现更高的加速（某些情况下可达 15 倍）。 NumExpr 在矩阵过大、无法放入 L1 CPU 缓存时表现最佳。 若要更好地了解在你的平台上可以实现的不同加速效果， 请运行提供的基准测试。 安装 ------------ 通过 wheel 安装 ^^^^^^^^^^^ NumExpr 可通过 `pip` 在多种平台和 Python 版本上安装（可在以下地址浏览：https://pypi.org/project/numexpr/#files). 安装命令如下:: pip install numexpr 如果你使用的是 Anaconda 或 Miniconda 发行版的 Python，你可能更愿意 在这种情况下使用 `conda` 包管理器:: conda install numexpr 从源码安装 ^^^^^^^^^^^ 在大多数 \*nix 系统上，编译器通常已经就绪。不过，如果你 使用的是虚拟环境，且其中的 Python 版本明显新于 系统 Python，系统可能会提示你安装新版本的 `gcc` 或 `clang`。 在 Windows 上，你需要先安装 Microsoft Visual C++ Build Tools （该工具免费）。具体版本取决于你安装的 Python 版本： https://wiki.python.org/moin/WindowsCompilers 对于 Python 3.6+，通常只需安装最新版本的 MSVC build tools 即可。 请注意，通过 pip 获取的 wheel 不包含 MKL 支持。通过 `conda` 提供的 wheel 在 NumPy 使用 MKL 后端时会包含 MKL。 有关所需的 NumPy 版本，请参阅 `requirements.txt`。 NumExpr 按标准 Python 方式构建:: pip install [-e] . 你可以这样测试 `numexpr`:: python -c "import numexpr; numexpr.test()" 不要在源码目录中测试 NumExpr，否则会产生导入错误。 启用 Intel® MKL 支持 ^^^^^^^^^^^^^^^^^^^^^^^^^ NumExpr 包含对 Intel MKL 库的支持。在 Intel 架构上，这可能带来更好的 性能，尤其是在求值超越函数（三角函数、指数函数等）时。 如果你已安装 Intel MKL，请将发行版附带的 `site.cfg.example` 复制到 `site.cfg`，并编辑后者文件，以提供系统中 MKL 库的正确路径。完成上述步骤后，即可按照 上文列出的常规构建说明继续操作。 请注意构建过程中的提示信息，以确认 是否已检测到 MKL。最后，你可以通过运行 `bench/vml_timing.py` 脚本检查本机上的加速效果（你可以在 脚本中调整 `set_vml_accuracy_mode()` 和 `set_vml_num_threads()` 函数的参数，以观察其对性能的影响）。 用法 ----- :: >>> import numpy as np >>> import numexpr as ne >>> a = np.arange(1e6) # Choose large arrays for better speedups >>> b = np.arange(1e6) >>> ne.evaluate("a + 1") # a simple expression array([ 1.00000000e+00, 2.00000000e+00, 3.00000000e+00, ..., 9.99998000e+05, 9.99999000e+05, 1.00000000e+06]) >>> ne.evaluate("a * b - 4.1 * a > 2.5 * b") # a more complex one array([False, False, False, ..., True, True, True], dtype=bool) >>> ne.evaluate("sin(a) + arcsinh(a/b)") # you can also use functions array([ NaN, 1.72284457, 1.79067101, ..., 1.09567006, 0.17523598, -0.09597844]) >>> s = np.array([b'abba', b'abbb', b'abbcdef']) >>> ne.evaluate("b'abba' == s") # string arrays are supported too array([ True, False, False], dtype=bool) 自由线程（free-threading）支持 ---------------------- 从 CPython 3.13 起，出现了新的发行版，可完全禁用 全局解释器锁（Global Interpreter Lock，GIL），从而在单个解释器下的多线程场景中提升性能收益， 而无需转而使用 多进程（multiprocessing）。 尽管已证明 numexpr 可在自由线程 CPython 下运行，但在使用 numexpr 原生并行 实现与直接使用 Python 线程之间需要权衡，以避免过度订阅（oversubscription）。 我们建议要么使用主 CPython 解释器线程，通过并行 numexpr API 启动多个 C 线程， 要么启动多个不使用 并行 API 的 CPython 线程。 有关自由线程 CPython 的更多信息，我们建议访问以下 `community Wiki ` 文档 ------------- 请参阅 `numexpr.readthedocs.io `_ 上的官方文档。 其中包含用户指南、基准测试结果和参考 API。 作者 ------- 请参阅 `AUTHORS.txt `_。 许可证 ------- NumExpr 在 `MIT `_ 许可证下发布。 .. Local Variables: .. mode: text .. coding: utf-8 .. fill-column: 70 .. End: