Wolfram Language™

Performance améliorée pour les regroupements de données par classe

Comparez les durées pour le regroupement des données. Les diagrammes suivants montrent les comparaisons de vitesse pour différentes tailles d'échantillons et spécifications de regroupement. Les expériences ont été réalisées sur un système Windows 10 avec un processeur Intel Xeon E3-1245 v2 3,40 GHz. Le chiffre en bas indique la vitesse de la version 11 par rapport à la version 10.

Regroupements non uniformes unidimensionnels.

In[1]:=

SeedRandom[1]; rlist = Sort[RandomReal[1, 100]]; Table[ BlockRandom[SeedRandom["MarketingExample"]; data = RandomReal[1, n]]; Mean[Table[First[AbsoluteTiming[BinCounts[data, {rlist}];]], {5}]] , {n, {100, 10000, 1000000}}]

Out[139]=

Regroupements non uniformes en deux dimensions.

In[2]:=

SeedRandom[1]; rlist1 = Sort[RandomReal[1, 100]]; rlist2 = Sort[RandomReal[1, 100]]; Table[ BlockRandom[SeedRandom["MarketingExample"]; data = RandomReal[1, {n, 2}]]; Mean[Table[ First[AbsoluteTiming[BinCounts[data, {rlist1}, {rlist2}];]], {5}]] , {n, {100, 10000, 1000000}}]

Out[141]=

Regroupements uniformes unidimensionnels.

In[3]:=

Table[ BlockRandom[SeedRandom["MarketingExample"]; data = RandomReal[1, n]]; Mean[Table[First[AbsoluteTiming[BinCounts[data, {0, 1, 0.1}];]], {5}]] , {n, {10000, 100000, 1000000}}]

Out[143]=

Regroupements uniformes à deux dimensions.

In[4]:=

Table[ BlockRandom[SeedRandom["MarketingExample"]; data = RandomReal[1, {n, 2}]]; Mean[Table[ First[AbsoluteTiming[ BinCounts[data, {0, 1, 0.1}, {0, 1, 0.1}];]], {5}]] , {n, {10000, 100000, 1000000}}]

Out[145]=