女性向けエンジニアスクール
3秒でわかる
要素ごとのループを書かず、配列全体をまとめて計算する書き方。型の確認が最初の1回で済むため、数値計算では速度が桁で変わります。
もう少し詳しく
どういうものか
ベクトル化は、配列の要素を1つずつループで回す代わりに、配列全体を1つの演算として書くやり方です。NumPyやpandasでは、a + b と書くだけで全要素の加算が行われます。この処理はPythonのループではなくC言語で実装された内部ループで走り、CPUのSIMD命令もまとめて使われます。
なぜ必要か
Pythonのforループは1回ごとにオブジェクトの型を確認し、専用のメモリ領域を作ります。100万要素を足すだけでこの手続きが100万回起きます。ベクトル化すると型の確認は最初の1回で済み、値は連続したメモリ上に並んだまま計算されます。数値計算で10倍から100倍の差が出るのは、この手続きの有無が理由です。
具体例
import numpy as np
a = np.arange(1_000_000, dtype=np.float64)
b = np.arange(1_000_000, dtype=np.float64)
# 遅い書き方
out = np.empty_like(a)
for i in range(len(a)):
out[i] = a[i] * 2 + b[i]
# ベクトル化した書き方。結果は同じで、実行時間は桁で違う
out = a * 2 + b
# 条件分岐もループを書かずに表せる
scores = np.array([80, 45, 92, 60])
grade = np.where(scores >= 60, "合格", "不合格")pandasでも同じで、df.apply で行ごとに関数を呼ぶより、列同士の演算として書いたほうが速くなります。
つまずきやすいところ
速度だけを見て、常にベクトル化が正解だと考えると失敗します。中間結果の配列がそのままメモリに載るため、巨大なデータでは a * 2 + b の途中で一時配列が2本作られ、メモリ不足で落ちることがあります。また、要素ごとに外部APIを呼ぶような処理は、そもそもベクトル化できません。もうひとつの罠は for を消したつもりで apply を使っている場合で、内部ではPythonのループが回っているため、ほとんど速くなりません。
覚え方
「ループを書いたら、それは配列の演算として書けないか」と一度立ち止まると、自然にベクトル化した書き方が身につきます。
似た用語との違い
ブロードキャストは、形の違う配列を自動でそろえて演算する仕組みで、ベクトル化を書きやすくする補助です。並列化は複数のコアへ処理を割り振る話で、1コアの中で命令をまとめるベクトル化とは別の層にあります。両方は同時に効かせられます。
計測せずに速いと決めつけないことも大切です。
