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(lèi)型,當(dāng)ndarray對(duì)象被創(chuàng)建時(shí),元素的類(lèi)型就確定。
由于是靜態(tài)類(lèi)型,所以 ndarray 間的加、減、乘、除用C和Fortran實(shí)現(xiàn)才成為可能,所以運(yùn)行起來(lái)就會(huì)更快。numpy官網(wǎng)介紹,numpy的底層代碼用C語(yǔ)言和Fortran語(yǔ)言實(shí)現(xiàn),實(shí)現(xiàn)性能無(wú)限接近C的處理效率,C語(yǔ)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(jì)算速度比python原生的list序列快
理解ndarray
NumPy ndarray是一個(gè)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(chǔ)著相同大小的元素的同質(zhì)數(shù)組。 也就是說(shuō),數(shù)組中的所有項(xiàng)都具有相同的數(shù)據(jù)類(lèi)型且大小相同。 例如,您不能在同一個(gè)ndarray中放入字符串’hello’和整數(shù)16。
Ndarrays有兩個(gè)關(guān)鍵特征:shape和dtype。
shape描述了數(shù)組的每個(gè)維度的長(zhǎng)度,即將數(shù)組計(jì)為一個(gè)元素的情況下,在該維度中的元素計(jì)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(lèi)型)定義元素大小。 例如,每個(gè)int16項(xiàng)的大小為16位,即16/8 = 2個(gè)字節(jié)。 (一個(gè)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(duì)于List的優(yōu)勢(shì)
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(duì)于Python原生的List列表,由于每次新增對(duì)象,都需要8個(gè)字節(jié)來(lái)引用新對(duì)象,新的對(duì)象本身占28個(gè)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(jì)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(zhǎng)度為n的Numpy整形Array,它需要:
96 + len(a) * 8 字節(jié)
可見(jiàn),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(gè)元素,那么這個(gè)內(nèi)存占用大小的差距會(huì)是GB級(jí)別的。
2.速度更快、內(nèi)置計(jì)算方法
運(yùn)行下面這個(gè)腳本,同樣是生成某個(gè)維度的兩個(gè)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(diǎn)的,這就是Numpy 運(yùn)算方法的優(yōu)勢(shì)。
我們?cè)僮鰩状沃貜?fù)試驗(yàn),以證明這個(gè)性能優(yōu)勢(shì)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(gè)輸出的時(shí)間總是小得多,這就證明了這個(gè)性能優(yōu)勢(shì)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(qiáng)大的性能。