python中numpy zeros_为什么numpy.zeros和numpy.zeros的性能不同？

我在Ipython中的计时是(使用更简单的timeit接口)：In [57]: timeit np.zeros_like(x)

1 loops, best of 3: 420 ms per loop

In [58]: timeit np.zeros((12488, 7588, 3), np.uint8)

100000 loops, best of 3: 15.1 µs per loop

当我使用IPython(np.zeros_like??)查看代码时，我看到：res = empty_like(a, dtype=dtype, order=order, subok=subok)

multiarray.copyto(res, 0, casting='unsafe')

而np.zeros是纯黑盒编译的代码。

empty的计时为：In [63]: timeit np.empty_like(x)

100000 loops, best of 3: 13.6 µs per loop

In [64]: timeit np.empty((12488, 7588, 3), np.uint8)

100000 loops, best of 3: 14.9 µs per loop

所以zeros_like中的额外时间是copy。

在我的测试中，赋值时间(x[]=1)的差异可以忽略不计。

我猜zeros、ones、empty都是早期编译的产物。empty_like是为了方便起见添加的，只需从输入中绘制形状和类型信息。zeros_like编写时更注重易于编程维护(重用empty_like)，而不是速度。

np.ones和np.full也使用np.empty ... copyto序列，并显示类似的计时。

https://github.com/numpy/numpy/blob/master/numpy/core/src/multiarray/ctors.c-用于zeros和empty的源。两者都调用PyArray_NewFromDescr_int，但一个最终使用npy_alloc_cache_zero，另一个使用npy_alloc_cache。

npy_alloc_cache在alloc.c调用alloc。npy_alloc_cache_zero调用npy_alloc_cache，然后是memset。alloc.c中的代码与线程选项进一步混淆。

但是，对于缓存和垃圾收集，我想知道calloc/memset区别是否适用。

这个带有memory_profile包的简单测试支持这样一种说法，即zeros和empty动态分配内存，而zeros_like预先分配所有内容：N = (1000, 1000)

M = (slice(None, 500, None), slice(500, None, None))

Line # Mem usage Increment Line Contents

================================================

2 17.699 MiB 0.000 MiB @profile

3 def test1(N, M):

4 17.699 MiB 0.000 MiB print(N, M)

5 17.699 MiB 0.000 MiB x = np.zeros(N) # no memory jump

6 17.699 MiB 0.000 MiB y = np.empty(N)

7 25.230 MiB 7.531 MiB z = np.zeros_like(x) # initial jump

8 29.098 MiB 3.867 MiB x[M] = 1 # jump on usage

9 32.965 MiB 3.867 MiB y[M] = 1

10 32.965 MiB 0.000 MiB z[M] = 1

11 32.965 MiB 0.000 MiB return x,y,z