0x01 ndarray与list运行时长对比
import random
import numpy as np
import timeit
a = []
for i in range(100000000):
a.append(random.random())
def sum_list():
return sum(a)
def sum_numpy():
b = np.array(a)
return np.sum(b)
time_list = timeit.timeit(sum_list, number=1)
time_numpy = timeit.timeit(sum_numpy, number=1)
print("List sum time:", time_list)
print("Numpy sum time:", time_numpy)
List sum time: 6.816154757
Numpy sum time: 4.999972694
0x02 ndarray的优势
（1）ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndaray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句,代码使用方面比Pvthon原生list简单的多。
（2）ndarray支持并行化运算 (向量化运算)：numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。
（3）效率远高于纯Python代码：Numpy底层使用C语言编写，内部解除了GIL (全局解释器锁)，其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯python代码。
发表评论