Каков самый быстрый способ скопировать 2D-массив в Python?

Question

Мне нужно сделать очень большое количество симуляций на сетке R*C.

Эти симуляции изменяют сетку, поэтому мне нужно скопировать мою опорную сетку перед каждым, а затем применить мою имитирующую функцию к новой новой сетке.

Что является самым быстрым способом сделать это в Python?

---

Поскольку я не нашел подобный вопрос на StackOverflow, я сделал ИСПЫТАНИЙ себя и решил опубликовать их здесь думать, что они могут быть полезны другим людям.

Ответ будет ответом сообщества, чтобы другие люди могли добавлять новые измерения с помощью, возможно, других методов.

Если вы добавите другой метод, не забудьте измерить все старые тесты и обновить их, поскольку время зависит от используемого компьютера, не допускайте смещения результатов.

Answer 1

Я использовал переменный Баш для настройки timeit тестов:

setup=""" 
R = 100 
C = 100 
from copy import deepcopy 
import numpy as np 
ref = [[i for i in range(C)] for _ in range(R)] 
ref_np = np.array(ref) 
cp = [[100 for i in range(C)] for _ in range(R)] 
cp_np = np.array(cp) 
""" 

Просто для удобства, я также установил временный псевдоним pybench:

alias pybench='python3.5 -m timeit -s "$setup" $1' 

---

Python 3

Python 3.5 ,0+ (по умолчанию, 11 октября 2015, 09:05:38)

• DeepCopy:

  >>> pybench "cp = deepcopy(ref)" 
  100 loops, best of 3: 8.29 msec per loop 
  

• Изменение предварительно созданного массива с помощью индекса:

  >>> pybench \ 
  "for y in range(R): 
      for x in range(C): 
       cp[y][x] = ref[y][x]" 
  1000 loops, best of 3: 1.16 msec per loop 
  

• Вложенный список справок:

  >>> pybench "cp = [[x for x in row] for row in ref]" 
  1000 loops, best of 3: 390 usec per loop 
  

• нарезка:

  >>> pybench "cp = [row[:] for row in ref]" 
  10000 loops, best of 3: 45.8 usec per loop 
  

• NumPy копия:

  >>> pybench "cp_np = np.copy(ref_np)" 
  100000 loops, best of 3: 6.03 usec per loop 
  

• Копирование предварительно созданных NumPy массив:

  >>> pybench "np.copyto(cp_np, ref_np)" 
  100000 loops, best of 3: 4.52 usec per loop 
  

---

Там нет ничего удивительного в очень таких результатов, как вы могли догадаться, использовать NumPy является чрезвычайно быстрее, особенно, если один избегает создания новой таблицы каждый раз.