Vectorización en Python para mejorar el rendimiento

Python es uno de los leguajes de programación más populares en la actualidad en ciencia de datos y otras áreas intensivas en cálculo numérico. Aun así, no es rápido en comparación con otros lenguajes. Por eso, conocer las prácticas que nos permiten obtener el mejor rendimiento en nuestros códigos es importante. Para poder reducir así el tiempo de ejecución de nuestros programas. En esta entrada vamos a ver cómo mediante el uso de vectorización en Python se puede aumentar el rendimiento de ciertos programas en órdenes de magnitud respecto.

Vectorización en Python

Al trabajo con grandes conjuntos de datos el código escrito en Python tiende a volverse lento. Especialmente el uso de bucles para repetir las mismas operaciones es algo que afecta negativamente al rendimiento. Por eso, si podemos evitar el uso de estas estructuras posiblemente podemos mejorar el rendimiento de nuestro código. En Python esto se puede conseguir con los diferentes métodos de la librería NumPy.

Realmente con esto no evitamos el uso de bucles. Lo que hacemos es usar librerías compiladas de C, las cuales ofrecen un mayor rendimiento para este tipo de operaciones, en lugar del intérprete de Python. Así se pueden obtener mejoras del rendimiento de varios órdenes de magnitud dependiendo de problema y el número de operaciones a realizar.

Producto vectorial

Un problema típico en el que la vectorización en Python ofrece importantes mejoras de rendimiento es el producto vectorial. Una operación relativamente sencilla. El producto vectorial de dos vectores genera una matriz. Matriz en la que se almacenan el producto de todos los elementos de un vector por el otro.

\begin{bmatrix} a_1 \\ a_2 \end{bmatrix} \begin{bmatrix} b_1 & b_2 \end{bmatrix} = \begin{bmatrix} a_1 b_1 & a_1 b_2 \\ a_2 b_1 & a_2 b_2 \end{bmatrix}

Una operación que se puede implementar fácilmente con dos bucles for anidados. Otra alternativa es utilizar el método outer de NumPy, un método que además de producir código más legible también lo hace más rápido.

Comparación del rendimiento en Python con y sin vectorización

Para comprobar cuánto mejora el rendimiento solamente tenemos que escribir código con ambas implementaciones y ejecutarlo. Por ejemplo, podemos ver el siguiente archivo.

import numpy as np
import time

# Creamos dos vectores aleatorios
size = 10000
np.random.seed(0)
vec_1 = np.random.random(size)
vec_2 = np.random.random(size)

# Implementación del producto vectorial en Python 
tic = time.process_time()

python_product = np.zeros((size, size))

for i in range(size):
    for j in range(size):
        python_product[i][j] = vec_1[i] * vec_2[j]

phyton_time = time.process_time() - tic

# Implementación del producto vectorial Numpy 
tic = time.process_time()
numpy_product = np.outer(vec_1, vec_2)

numpy_time = time.process_time() - tic

# Evaluación de resultados 
if (numpy_product == python_product).all():
    print('Los resultados son iguales')
else:
    print('Los resultados son diferentes')
print('Tiempo de Python', phyton_time)
print('Tiempo de Numpy', numpy_time)
print('Mejora con Numpy', phyton_time / numpy_time)

Los resultados son iguales
Tiempo de Python 64.72391299999998
Tiempo de Numpy 0.42430899999999383
Mejora con Numpy 152.5395713972622

En este en primer lugar se crea dos vectores con datos aleatorio de 10.000 registros. Posteriormente se implementa el producto vectorial en Python con dos bucles for anidados. Midiéndose el tiempo que tarda en obtener el resultado con time.process_time(). Posteriormente se repite la operación con los mismos vectores usando el método numpy.outer().

Finalmente se compara que los resultados obtenidos mediante los dos métodos son exactamente iguales. Verificado que se ha implementado la misma operación. Además de esto, también se imprime el tiempo que tarda cada uno de los métodos y la mejora de rendimiento que se obtiene. En las pruebas realizadas hemos pasado de 64 segundos con el código Python a 0,42, lo que representa un factor de mejora superior a 150.

Conclusiones

Hoy hemos visto que la vectorización de las operaciones en Python puede suponer una considerable mejora de tiempo. En concreto, para una operación tan sencilla y habitual como el producto vectorial se puede hacer que el código 150 veces más rápido. Lo que permite obtener programas mucho más rápidos. Así, siempre que sea posible deberíamos optar por usar la vectorización en Python.

Además de esto también tenemos recordar otra prácticas de python con las que mejorar el rendimiento de nuestro código como el uso de Cython, Modin o la importancia de los método usado para iterar.

Imagen de My pictures are CC0. When doing composings: en Pixabay

Vectorización en Python para mejorar el rendimiento