More precise mean_var for non-Dask dense arrays?
Los mantenedores suelen responder en 1 día
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 25/100
Línea de trabajo
Empieza leyendo src/fast_array_utils/stats/_mean_var.py alrededor de la línea 40 y el cambio descrito en #127. Compara las rutas dense-in-core, Dask y sparse-in-core, centrándote en la exponenciación con float32 frente a float64 y en las asignaciones temporales. Se considera terminado cuando se haya seleccionado y documentado una estrategia de precisión para arrays densos, con sus compromisos de memoria y rendimiento claramente expuestos.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
In #127, I changed how mean_var works just for Dask:
We already have a custom numba implementation for sparse-in-core which operates on float64s, but doesn’t convert everything at once.
We could make the change also affect dense-in-core. Should we
- leave things as they are and keep
powerfor float32 dense arrays as float32? It takes less space and is faster, but less precise. - do exponentiation in 64 bit everywhere? this would allocate an exponentiated array of the input size in 64 bit, but I guess if people’s machines can handle a temporary 2n (prod(shape)×32×2), they can handle a temporary 3n (prod(shape)×32 + prod(shape)×64)?
- implement a custom numba implementation for dense-in-core as well?
- Lenguaje dominante
- Python
- Estrellas
- 15
- Forks
- 5
- Merge medio
- 13 h 45 min
- PR fusionados (30 d)
- 14
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de scverse/fast-array-utils
-
Dificultad 1/5 1-3 horas Aptitud para principiantes 74/100
scverse/fast-array-utils#165 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 3/5 1-2 días Aptitud para principiantes 72/100
scverse/fast-array-utils#224 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
Dificultad 3/5 1-2 días Aptitud para principiantes 65/100
scverse/fast-array-utils#213 · 4 comentarios ·
Los mantenedores suelen responder en 1 día
-
good first issue
Dificultad 3/5 Medio día Aptitud para principiantes 38/100
scverse/fast-array-utils#100 · 4 comentarios ·
Los mantenedores suelen responder en 1 día
-
component: documentation
Dificultad 5/5 Más de una semana Aptitud para principiantes 20/100
scverse/fast-array-utils#89 ·
Los mantenedores suelen responder en 1 día
Todos los issues de scverse/fast-array-utils
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 62/100
Los mantenedores suelen responder en 1 día
-
enhancement good first issue Stellar Wave trivial
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
StellarCanary/ProtocolCanary-Fixtures#258 ·
Los mantenedores suelen responder en 1 día
-
enhancement
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
IBM/ai-atlas-nexus#295 ·
Los mantenedores suelen responder en 6 días
-
github_actions
Dificultad 2/5 1-3 horas Aptitud para principiantes 65/100
Hochfrequenz/aibap.mcp#578 ·
Los mantenedores suelen responder en 1 día
-
bug
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
mishraprafful/multihull#150 ·
Los mantenedores suelen responder en 1 día