NumPy: تحسين الأداء

import numpy as np
import time

n = 10_000_000
a = np.random.rand(n)
b = np.random.rand(n)

# بطيء: حلقة Python
t0 = time.time()
c = np.empty(n)
for i in range(n):
    c[i] = a[i] + b[i]
t1 = time.time()

---
## 3. سريع: مُتجه
t2 = time.time()
d = a + b
t3 = time.time()

print(f"Loop: {t1-t0:.3f}s, Vectorized: {t3-t2:.6f}s")
print(f"Speedup: {(t1-t0)/(t3-t2):.0f}x")

---
## 4. تجنب النسخ باستخدام معامل out=
a = np.random.rand(1000000)
b = np.random.rand(1000000)

---
## 5. نسخ (يخصص ذاكرة جديدة)
c = a + b

---
## 6. في المكان (لا تخصيص)
np.add(a, b, out=a)

import numpy as np
import time

n = 1_000_000
a = np.random.rand(n)
b = np.random.rand(n)

---
## 7. بطيء: حلقة Python
t0 = time.time()
c = np.empty(n)
for i in range(n):
    c[i] = a[i] + b[i]
t1 = time.time()

---
## 8. سريع: مُتجه
t2 = time.time()
d = a + b
t3 = time.time()

loop_time = t1 - t0
vec_time = t3 - t2
print(f"Loop: {loop_time:.3f}s, Vectorized: {vec_time:.6f}s")
print(f"Speedup: {loop_time/vec_time:.0f}x")

# تم التنفيذ بنجاح

import numpy as np

a = np.array([10, 20, 30, 40, 50])
b = np.array([1, 2, 3, 4, 5])

---
## 9. بدون out: ينشئ مصفوفة جديدة
c = np.add(a, b)
print("Without out:", c)

---
## 10. مع out: يعيد استخدام الذاكرة الموجودة
result = np.empty(5)
np.add(a, b, out=result)
print("With out:", result)

---
## 11. تسلسل العمليات في المكان
np.multiply(result, 2, out=result)
np.add(result, 1, out=result)
print("Chained:", result)

Without out:
With out:
Chained:

import numpy as np

---
## 12. C-contiguous (صف-رئيسي) — الافتراضي
c = np.array([[1, 2, 3], [4, 5, 6]])
print("C-contiguous:", c.flags.c_contiguous)
print("Fortran-contiguous:", c.flags.f_contiguous)

---
## 13. تحويل إلى Fortran-contiguous (عمود-رئيسي)
f = np.asfortranarray(c)
print("Fortran-contiguous:", f.flags.f_contiguous)

---
## 14. الشكل والخطوات
print("C strides:", c.strides)
print("F strides:", f.strides)

C-contiguous:
Fortran-contiguous:
Fortran-contiguous:
C strides:
F strides: