PNumPy

PNumPy 可以无缝加速大型数组（64K+元素）的 NumPy，无需对现有的 NumPy 代码进行任何修改。

PNumPy 支持 Linux、Windows 和 MacOS，对于 Python 3.6、3.7、3.8 和 3.9 的 NumPy >= 1.18。

本版本首先加速了 NumPy 的二元和一元 ufunc，如 add、multiply、isnan、abs、sin、log、sum、min 等等。加速的函数还包括：sort、argsort、lexsort、arange、布尔索引和花式索引。在不久的将来，我们还将加速 astype、where、putmask 和 searchsorted。

使用 numpy 的其他包，如 scikit-learn 或 pandas，在大型数组中也将得到加速。

安装

pip install pnumpy

您也可以使用以下命令安装最新开发版本：

pip install https://github.com/Quansight/pnumpy/archive/main.zip

文档

请参阅完整文档

使用项目

import pnumpy as pn

Parallel NumPy 在幕后静默地加速 NumPy。要自己查看一些基准测试，请运行：

pn.benchmark()

要获取加速函数的部分列表，请运行：

pn.atop_info()

要禁用或启用 pnumpy，请运行：

pn.disable()
pn.enable()

附加功能

PNumPy 提供了额外的例程，例如将 NumPy 记录数组并行转换为列主序数组（pn.recarray_to_colmajor），这对于 DataFrame 非常有用。其他例程包括 pn.lexsort32，它使用 np.int32 而不是 np.int64 进行间接排序，消耗一半的内存并运行更快。

多线程

PNumPy 使用线程和 256 位向量内嵌指令的组合来加速计算。默认情况下，大多数操作将只使用 3 个额外的工作线程，与主 Python 线程结合使用，总共 4 个。大型数组被分成 16K 块，线程被分配以保持缓存一致性。对于更密集的 CPU 问题（如 np.sin），会动态部署更多线程。用户可以自定义多线程。下面的示例显示了如何使用 4 个线程将有效的 L2 缓存大小加倍。

要限制额外的 worker 线程数为 3，请运行：

pn.thread_setworkers(3)

要禁用或重新启用线程，请运行：

pn.thread_disable()
pn.thread_enable()

要禁用或重新启用 atop 引擎，请运行：

pn.atop_disable()
pn.atop_enable()

常见问题解答

问题：如果我在数组 a 上输入 np.sort(a)，它会被加速吗？

答案：如果 len(a) > 65536 且已导入 pnumpy，它将自动加速。

问题：sort 是如何加速的？

答案：PNumPy 使用额外的线程将排序任务分割。例如，它可能执行 8 路快速排序，然后是 4 路归并排序。

问题：scikit 或 pandas 是如何加速的？

答案：PNumPy 的向量循环和线程将加速任何使用大型 NumPy 数组的包。

开发

要运行所有测试，请运行：

python -m pip install pytest
python -m pytest tests