numba jitted函数中的动态增长数组

Question

numba中似乎不支持numpy.resize。在

在nopython模式下使用numba.jit动态增长数组的最佳方法是什么？在

到目前为止，我所能做的最好的就是在jitted函数之外定义和调整数组大小，有没有更好（更简洁）的选择？在

Answer 1

numpy.resize是pure python function：

import numpy as np

def resize(a, new_shape):
    """I did some minor changes so it all works with just `import numpy as np`."""
    if isinstance(new_shape, (int, np.core.numerictypes.integer)):
        new_shape = (new_shape,)
    a = np.ravel(a)
    Na = len(a)
    if not Na:
        return np.zeros(new_shape, a.dtype)
    total_size = np.multiply.reduce(new_shape)
    n_copies = int(total_size / Na)
    extra = total_size % Na

    if total_size == 0:
        return a[:0]

    if extra != 0:
        n_copies = n_copies+1
        extra = Na-extra

    a = np.concatenate((a,)*n_copies)
    if extra > 0:
        a = a[:-extra]

    return np.reshape(a, new_shape)

如果你自己实现这个数组，你就可以直接向前。不幸的是，对于ND数组来说要复杂得多，因为nopython numba函数中不支持某些操作：isinstance，reshape和元组乘法。以下是1D等效值：

^{pr2}$

如果您不希望“重复输入”行为，而只将其用于增大大小，则更容易：

@nb.njit
def resize(a, new_size):
    new = np.zeros(new_size, a.dtype)
    new[:a.size] = a
    return new

这些函数用numba.njit修饰，因此可以在nopython模式下的任何numba函数中调用。在

---

不过，需要注意的是：一般情况下，您不想调整大小，或者如果您想调整大小，请确保您选择的方法具有amoritzed ^{} cost (Wikipedia link)。如果您可以估计最大长度，那么最好立即预先分配一个大小正确（或稍微过度分配）的数组。在

Answer 2

通常，我采用的策略是只分配足够多的数组存储来容纳计算，然后跟踪最终使用的索引，然后在返回之前将数组切片到实际大小。这假设您事先知道数组可能增长到的最大大小。我的想法是，在我自己的大多数应用程序中，内存很便宜，但是调整大小和在python和jitted函数之间切换的开销很大。在