一、為什么numpy的array那么快

NumPy的數(shù)組是一種靜態(tài)、同質(zhì)的類型，當(dāng)ndarray對象被創(chuàng)建時，元素的類型就確定。

由于是靜態(tài)類型，所以 ndarray 間的加、減、乘、除用C和Fortran實現(xiàn)才成為可能，所以運行起來就會更快。numpy官網(wǎng)介紹，numpy的底層代碼用C語言和Fortran語言實現(xiàn)，實現(xiàn)性能無限接近C的處理效率，C語言的執(zhí)行效率本身就比python的執(zhí)行效率高，所以numpy數(shù)組的計算速度比python原生的list序列快

理解ndarray

NumPy ndarray是一個N維數(shù)組。 您可以如此創(chuàng)建：

X = np.array([[0,1,2],[3,4,5]], dtype=’int16′)

這些數(shù)組存儲著相同大小的元素的同質(zhì)數(shù)組。 也就是說，數(shù)組中的所有項都具有相同的數(shù)據(jù)類型且大小相同。 例如，您不能在同一個ndarray中放入字符串’hello’和整數(shù)16。

Ndarrays有兩個關(guān)鍵特征：shape和dtype。

shape描述了數(shù)組的每個維度的長度，即將數(shù)組計為一個元素的情況下，在該維度中的元素計數(shù)。 例如，上面的陣列X具有形狀（2,3）。 我們可以像這樣想象它：

NP.ARRAY([[0,1,2],[3,4,5]])

dtype（數(shù)據(jù)類型）定義元素大小。 例如，每個int16項的大小為16位，即16/8 = 2個字節(jié)。 （一個字節(jié)等于8位。）因此X.itemsize為2。具體的dtype是可選的。

延伸閱讀：

二、umpy數(shù)組相對于List的優(yōu)勢

1.內(nèi)存占用更小

適當(dāng)?shù)厥褂肗umpy數(shù)組替代List，你能讓你的內(nèi)存占用降低20倍。

對于Python原生的List列表，由于每次新增對象，都需要8個字節(jié)來引用新對象，新的對象本身占28個字節(jié)（以整數(shù)為例）。所以列表 list 的大小可以用以下公式計算：

64 + 8 * len(lst) + len(lst) * 28 字節(jié)

而使用Numpy，就能減少非常多的空間占用。比如長度為n的Numpy整形Array，它需要：

96 + len(a) * 8 字節(jié)

可見，數(shù)組越大，你節(jié)省的內(nèi)存空間越多。假設(shè)你的數(shù)組有10億個元素，那么這個內(nèi)存占用大小的差距會是GB級別的。

2.速度更快、內(nèi)置計算方法

運行下面這個腳本，同樣是生成某個維度的兩個數(shù)組并相加，你就能看到原生List和Numpy Array的性能差距。

import time

import numpy as np

size_of_vec = 1000

def pure_python_version():

??? t1 = time.time()

??? X = range(size_of_vec)

??? Y = range(size_of_vec)

? ??Z = [X[i] + Y[i] for i in range(len(X)) ]

??? return time.time() – t1

def numpy_version():

??? t1 = time.time()

??? X = np.arange(size_of_vec)

??? Y = np.arange(size_of_vec)

??? Z = X + Y

??? return time.time() – t1

t1 = pure_python_version()

t2 = numpy_version()

print(t1, t2)

print(“Numpy is in this example ” + str(t1/t2) + ” faster!”)

結(jié)果如下：

0.00048732757568359375 0.0002491474151611328

Numpy is in this example 1.955980861244019 faster!

可以看到，Numpy比原生數(shù)組快1.95倍。

如果你細(xì)心的話，還能發(fā)現(xiàn)，Numpy array可以直接執(zhí)行加法操作。而原生的數(shù)組是做不到這點的，這就是Numpy 運算方法的優(yōu)勢。

我們再做幾次重復(fù)試驗，以證明這個性能優(yōu)勢是持久性的。

import numpy as np

from timeit import Timer

size_of_vec = 1000

X_list = range(size_of_vec)

Y_list = range(size_of_vec)

X = np.arange(size_of_vec)

Y = np.arange(size_of_vec)

def pure_python_version():

??? Z = [X_list[i] + Y_list[i] for i in range(len(X_list)) ]

def numpy_version():

??? Z = X + Y

timer_obj1 = Timer(“pure_python_version()”,

?????????????????? “from __main__ import pure_python_version”)

timer_obj2 = Timer(“numpy_version()”,

?????????????????? “from __main__ import numpy_version”)

print(timer_obj1.timeit(10))

print(timer_obj2.timeit(10)) # Runs Faster!

print(timer_obj1.repeat(repeat=3, number=10))

print(timer_obj2.repeat(repeat=3, number=10)) # repeat to prove it!

結(jié)果如下：

0.0029753120616078377

0.00014940369874238968

[0.002683573868125677, 0.002754641231149435, 0.002803879790008068]

[6.536301225423813e-05, 2.9387418180704117e-05, 2.9171351343393326e-05]

可以看到，第二個輸出的時間總是小得多，這就證明了這個性能優(yōu)勢是具有持久性的。

如果在做一些大數(shù)據(jù)研究，比如金融數(shù)據(jù)、股票數(shù)據(jù)的研究，使用Numpy能夠節(jié)省你不少內(nèi)存空間，并擁有更強大的性能。