国产一区二区精品-国产一区二区精品久-国产一区二区精品久久-国产一区二区精品久久91-免费毛片播放-免费毛片基地

千鋒教育-做有情懷、有良心、有品質的職業教育機構

手機站
千鋒教育

千鋒學習站 | 隨時隨地免費學

千鋒教育

掃一掃進入千鋒手機站

領取全套視頻
千鋒教育

關注千鋒學習站小程序
隨時隨地免費學習課程

當前位置:首頁  >  技術干貨  > 為什么numpy的array那么快?

為什么numpy的array那么快?

來源:千鋒教育
發布人:xqq
時間: 2023-10-11 03:10:11 1696965011

一、為什么numpy的array那么快

NumPy的數組是一種靜態、同質的類型,當ndarray對象被創建時,元素的類型就確定。

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

理解ndarray

NumPy ndarray是一個N維數組。 您可以如此創建:

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

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

Ndarrays有兩個關鍵特征:shape和dtype。

shape描述了數組的每個維度的長度,即將數組計為一個元素的情況下,在該維度中的元素計數。 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(數據類型)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。 (一個字節等于8位。)因此X.itemsize為2。具體的dtype是可選的。

延伸閱讀:

二、umpy數組相對于List的優勢

1.內存占用更小

適當地使用Numpy數組替代List,你能讓你的內存占用降低20倍。

對于Python原生的List列表,由于每次新增對象,都需要8個字節來引用新對象,新的對象本身占28個字節(以整數為例)。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

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

可見,數組越大,你節省的內存空間越多。假設你的數組有10億個元素,那么這個內存占用大小的差距會是GB級別的。

2.速度更快、內置計算方法

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!”)

結果如下:

0.00048732757568359375 0.0002491474151611328

Numpy is in this example 1.955980861244019 faster!

可以看到,Numpy比原生數組快1.95倍。

如果你細心的話,還能發現,Numpy array可以直接執行加法操作。而原生的數組是做不到這點的,這就是Numpy 運算方法的優勢。

我們再做幾次重復試驗,以證明這個性能優勢是持久性的。

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勢是具有持久性的。

如果在做一些大數據研究,比如金融數據、股票數據的研究,使用Numpy能夠節省你不少內存空間,并擁有更強大的性能。

聲明:本站稿件版權均屬千鋒教育所有,未經許可不得擅自轉載。
10年以上業內強師集結,手把手帶你蛻變精英
請您保持通訊暢通,專屬學習老師24小時內將與您1V1溝通
免費領取
今日已有369人領取成功
劉同學 138****2860 剛剛成功領取
王同學 131****2015 剛剛成功領取
張同學 133****4652 剛剛成功領取
李同學 135****8607 剛剛成功領取
楊同學 132****5667 剛剛成功領取
岳同學 134****6652 剛剛成功領取
梁同學 157****2950 剛剛成功領取
劉同學 189****1015 剛剛成功領取
張同學 155****4678 剛剛成功領取
鄒同學 139****2907 剛剛成功領取
董同學 138****2867 剛剛成功領取
周同學 136****3602 剛剛成功領取
相關推薦HOT