Огромная разница во времени при создании numpy.zeros для крошечной разницы в размере массива

Question

Я пытался определить временную сложность выполнения numpy.zeros, поэтому я провел следующие тесты. Кажется, он линейный с размером массива, который вы создаете, но в определенный момент существует огромное несоответствие времени, которое требуется. Вот интересные случаи, когда вряд ли изменяет размер массива при всех изменениях времени создания на порядок.

python -m timeit -n 1000 -s "import numpy" "numpy.zeros(64500, dtype=float)" 
10000 loops, best of 3: 33.5 usec per loop 


python -m timeit -s "import numpy" "numpy.zeros(65000, dtype=float)" 
1000 loops, best of 3: 418 usec per loop 

Это огромное неравенство! Ниже массива размером 64500 временная сложность примерно линейна с размером массива, а выше массив размером 65000 временная сложность примерно линейна. Почему здесь существует такая ошеломляющая разница во времени?

Я понимаю, что внутри Python хранит все в своей собственной куче. Это происходит потому, что numpy использует C, и он хранит массивы определенного размера в стеке C и массивы другого размера на куче C? Я даже не уверен, что этот вопрос имеет смысл.

Я использую 32-разрядный python 3.3.1 и numpy 1.7.0rc1 на машине Windows 7.

Answer 1

Я запустил ваш код на своем компьютере. это почти то же самое время для каждого цикла в двух разных экспериментах, это не проблема с стеком/кучей, потому что расположение памяти будет в том же состоянии, я думаю, что это может быть проблема с памятью. память моего компьютера - 16 ГБ.