Vectorization trong NumPy: tính cả mảng, bỏ vòng lặp for
Bài 1/23 · Chương 2
Mảng và tư duy vector
- 8 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 12
Vectorization trong NumPy (vectorization numpy) là cách viết một phép tính một lần cho cả mảng số, để NumPy tự làm nó trên mọi phần tử, thay cho vòng lặp for đi qua từng phần tử của list. Bạn dùng nó mỗi khi cùng một công thức áp cho cả dãy số, như tăng 10% chỉ tiêu cho tám chi nhánh hay tính phí giao cho mọi đơn trong ngày.
Cần biết trước: list, vòng lặp for và cài NumPy.
Vòng lặp for trên list: từng phần tử một
Doanh thu tháng 1 của tám chi nhánh (triệu đồng) nằm trong một list. Tháng sau, mỗi chi nhánh nhận chỉ tiêu cao hơn 10%. Với Python thuần, bạn tạo một list rỗng rồi đi qua từng số:
doanh_thu = [1055, 1242, 577, 514, 284, 392, 450, 348]
chi_tieu = []
for so in doanh_thu:
chi_tieu.append(so * 11 // 10)
print(chi_tieu)KẾT QUẢ
[1160, 1366, 634, 565, 312, 431, 495, 382]Phép so * 11 // 10 nhân với 1,1 rồi bỏ phần lẻ, để chỉ tiêu là số nguyên triệu. Cách này đúng, nhưng ba dòng của bạn chỉ để nói một ý: "nhân mọi số với 1,1". Phần lớn code là việc quản lý vòng lặp: tạo list kết quả, lấy từng phần tử, thêm vào cuối. Với tám số thì không sao; với một triệu dòng dữ liệu, Python phải chạy thân vòng lặp một triệu lần, mỗi lượt Python phải thông dịch lại phép nhân và kiểm kiểu của số đó.
Tính trên cả mảng NumPy bằng một dòng
NumPy cho bạn viết đúng ý đó. Hàm np.array() đổi list thành một mảng NumPy, một dãy số cùng kiểu mà phép toán áp lên mọi phần tử; bài mảng NumPy dạy kỹ cách tạo và tính trên nó. Cùng việc tính chỉ tiêu, viết trên mảng:
import numpy as np
doanh_thu = np.array([1055, 1242, 577, 514, 284, 392, 450, 348])
chi_tieu = doanh_thu * 11 // 10
print(chi_tieu)
print(doanh_thu * 1.1)KẾT QUẢ
[1160 1366 634 565 312 431 495 382]
[1160.5 1366.2 634.7 565.4 312.4 431.2 495. 382.8]Một dòng doanh_thu * 11 // 10 thay cho cả vòng lặp, và kết quả giống hệt: NumPy tự đi qua tám phần tử. Mảng in không có dấu phẩy giữa các số, đó là cách phân biệt mảng với list khi đọc kết quả. Dòng thứ hai nhân với số thực 1.1, nên kết quả là số thực; 495. là 495,0 viết gọn. Đó là vectorization: bạn nói phép tính, NumPy lo việc lặp.
Đổi 11 // 10 thành 9 // 10 rồi chạy lại: dòng đầu in [ 949 1117 519 462 255 352 405 313].
Trừ hai dãy cùng độ dài trong một lần
Vectorization không chỉ cho một mảng với một số. Hai mảng cùng độ dài tính với nhau theo từng cặp cùng vị trí: phần tử đầu với phần tử đầu, phần tử thứ hai với phần tử thứ hai. Doanh thu tháng 2 giảm mạnh vì nghỉ Tết; bạn muốn biết mỗi chi nhánh giảm bao nhiêu, và bao nhiêu phần trăm:
import numpy as np
thang_1 = np.array([1055, 1242, 577, 514, 284, 392, 450, 348])
thang_2 = np.array([577, 675, 302, 276, 149, 217, 245, 186])
giam = thang_1 - thang_2
print(giam)
print(giam * 100 // thang_1)KẾT QUẢ
[478 567 275 238 135 175 205 162]
[45 45 47 46 47 44 45 46]Dòng giam * 100 // thang_1 vừa nhân mảng với số, vừa chia mảng cho mảng, vẫn không có vòng lặp nào. Mọi chi nhánh giảm chừng 45%, nên Tết làm giảm cả chuỗi chứ không riêng nơi nào. Viết bằng list, bạn cần một vòng lặp đi song song qua hai list cùng lúc, dài hơn và dễ lệch chỉ số.
Vì sao mảng NumPy nhanh hơn list
Mảng NumPy chứa các số cùng một kiểu, nằm liền nhau trong bộ nhớ, và phép tính trên mảng chạy bằng code đã dịch sẵn của NumPy, không qua trình thông dịch ở từng phần tử như vòng lặp ở mục đầu. Đo bằng timeit (bài đo tốc độ code) cho thấy khác biệt. Thời gian đổi theo máy và theo lần chạy, nên khối dưới đây không có nút Chạy; chép về máy để chạy thử:
import timeit
import numpy as np
gia = list(range(200_000))
gia_mang = np.array(gia)
t_list = timeit.timeit("[g * 2 for g in gia]", globals=globals(),
number=20)
t_mang = timeit.timeit("gia_mang * 2", globals=globals(), number=20)
print("Mảng nhanh hơn list ít nhất 5 lần:", t_list > 5 * t_mang)
Trên một máy thường, dòng cuối in True: mảng nhanh hơn list vài chục lần với 200.000 số. Đổi lại, mảng kém linh hoạt hơn list: mọi phần tử cùng một kiểu, và độ dài cố định khi tạo. List vẫn hợp cho dữ liệu lẫn kiểu (tên, giá, ghi chú) hay khi bạn thêm bớt phần tử liên tục; mảng hợp cho cột số dài. Bài Blog NumPy là gì kể thêm NumPy đứng ở đâu giữa các thư viện dữ liệu.
Kiểm tra nhanh
Sau
import numpy as np,print(np.array([12, 15, 30]) * 2)in ra gì?[12, 15, 30, 12, 15, 30][24 30 60][24, 30, 60]
Sau
gia = [12, 15, 30],print(gia * 2)in ra gì?[12, 15, 30, 12, 15, 30][24, 30, 60][24 30 60]
Sau
a = [5, 9]vàb = [1, 2],a - bbáo lỗi gì?- Báo lỗi
ValueError - Báo lỗi
TypeError - Báo lỗi
IndexError
- Báo lỗi
giavàgia_culà hai mảng NumPy cùng độ dài. Những phép tính nào chạy trên cả mảng mà không cần vòng lặp?gia * 0.9gia - gia_cu(gia - gia_cu) * 100 // gia_cu- Một vòng lặp
fornhân từng phần tử với0.9
Bài tập
Tính phí giao cho mọi đơn trong ngày
Một quán tính phí giao mỗi đơn bằng phí cơ bản cộng số km nhân phí mỗi km. Mảng so_km ghi quãng đường của từng đơn trong ngày, là số nguyên km. Viết thân hàm phi_giao(so_km, phi_co_ban, phi_moi_km): phí của một đơn là phi_co_ban + so_km × phi_moi_km, tính cho mọi đơn một lần. Hàm không sửa mảng so_km của nơi gọi.
Không dùng vòng lặp for.
Trả về: phí giao của từng đơn, theo đúng thứ tự trong so_km, một ndarray.
Ví dụ ba đơn [2, 5, 12] km, phí cơ bản 15000, phí mỗi km 4000 cho [23000 35000 63000].
import numpy as np
def phi_giao(so_km, phi_co_ban, phi_moi_km):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Vectorization là viết phép tính một lần cho cả mảng; NumPy tự áp nó lên mọi phần tử.
mang * 11 // 10thay cho vòng lặpforcùng list kết quả vàappend().Hai mảng cùng độ dài tính theo từng cặp cùng vị trí; hai list thì không trừ được (
TypeError).*trên list là lặp lại list; trên mảng là nhân từng phần tử.Mảng nhanh hơn list nhiều lần với dãy số dài, đổi lại mọi phần tử cùng một kiểu.
Câu hỏi thường gặp
Vectorization có phải lúc nào cũng nhanh hơn vòng lặp?
Với dãy số dài thì gần như luôn nhanh hơn, thường vài chục lần. Với vài phần tử, khác biệt không đáng kể, và việc tạo mảng còn tốn hơn bản thân phép tính. Muốn biết chắc cho dữ liệu của bạn, đo bằng timeit như ví dụ trong bài.
Khi nào vẫn phải dùng vòng lặp với NumPy?
Khi bước sau phụ thuộc kết quả của bước trước theo cách không có phép toán mảng nào làm sẵn, như mô phỏng từng ngày một. Phần lớn việc phân tích dữ liệu (cộng, so sánh, lọc, tính theo hàng, theo cột) đều có cách viết trên cả mảng, và các bài sau của tutorial dạy từng cách.
List comprehension có phải là vectorization không?
Không. List comprehension viết vòng lặp gọn hơn, nhưng Python vẫn đi qua từng phần tử, nên tốc độ gần với vòng lặp for. Vectorization là để NumPy làm cả mảng bằng code đã dịch sẵn của nó.
Đổi list thành mảng có tốn thời gian không?
Có, np.array() phải chép mọi phần tử sang mảng mới. Vì vậy bạn đổi một lần ở đầu, rồi làm mọi phép tính trên mảng. Bài mảng NumPy dạy cách tạo mảng và tính giữa các mảng.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.