提高numpy的数组转换为MATLAB双

Question

在Python调用MATLAB的性能必然会给一些性能降低，我可以通过重写（很多）在Python代码避免。然而，这对我来说不是一个现实的选择，但它让我很烦恼，效率的巨大损失在于从numpy数组到MATLAB double的简单转换。

我谈论从数据1以下转换到data1m，其中

data1 = np.random.uniform(low = 0.0, high = 30000.0, size = (1000000,)) 
data1m = matlab.double(list(data1)) 

这里matlab.double来自Mathworks公司拥有MATLAB软件包/引擎。第二行代码在我的系统上需要20秒，这对于转换来说似乎太多了，除了使数字“可食用”MATLAB以外，其他任何操作都没有任何作用。

所以基本上我正在寻找一个伎俩相反给here的一个转换MATLAB输出在Python工作。

Answer 1

在等待更好的建议，我会后的绝招，我拿出这么远。它归结为用`scipy.io.savemat'保存文件，然后在MATLAB中加载这个文件。

这不是最漂亮的黑客，它需要一些照顾，以确保依赖于相同脚本的不同进程最终不会写入和加载对方的.mat文件，但性能增益对​​我来说是值得的。

作为测试情况下，我写道，需要2门numpy的阵列（I与长度百万测试）和一个INT作为输入的两个简单，几乎相同的MATLAB函数。

function d = test(x, y, fs_signal) 
d = sum((x + y))./double(fs_signal); 

function d = test2(path) 
load(path) 
d = sum((x + y))./double(fs_signal); 

功能test需要转换，而test2需要节约。

测试test：转换两个numpy的阵列需要cirka 40秒我的系统上。准备和运行测试的总时间降至170秒

测试test2：保存数组和int在我的系统上花费了大约0.35秒。令人惊奇的是，加载在MATLAB中.MAT文件是非常有效的（或更令人惊讶，这是非常ineffcient在处理其双打）......总的时间来准备和运行测试2归结为0.38小号

这就是几乎450X性能增益...

Answer 2

传递numpy的阵列有效

看看文件夹PYTHONPATH\Lib\site-packages\matlab\_internal在文件“mlarray_sequence.py”。在那里你会发现matlab数组对象的构造。性能问题来自使用generic_flattening函数中的循环复制数据。

为了避免这种情况，我们将编辑文件位。如果您还不想传递复数，则必须进行一些其他更改。

• 首先复印一份找回原来的文件，如果某样东西错
• 在文件的开头添加import numpy as np其他进口

• 在第38行，你应该找到

  init_dims = _get_size(initializer) # replace this with 
      try: 
       init_dims=initializer.shape 
      except: 
       init_dims = _get_size(initializer) 
  

• 在第54行，你应该找到

  self._data = flat(self, initializer, init_dims, typecode) # replace this with 
  try: 
      self._data = array.array(typecode,np.ravel(initializer, order='F')) 
  except: 
      self._data = flat(self, initializer, init_dims, typecode) 
  

现在您可以将一个numpy数组直接传递给matlab数组创建方法。

data1 = np.random.uniform(low = 0.0, high = 30000.0, size = (1000000,)) 
#faster 
data1m = matlab.double(data1) 
#or slower method 
data1m = matlab.double(data1.tolist()) 

matlab阵列创建的性能增加了15倍，现在界面更易于使用。