如果這個問題有點太基本，請原諒。
我在學習NumPy時，通過NumPy陣列為什么這么快？了解到NumPy陣列之所以快，是因為有兩件事
np.com.cn
np.array()是由相同的dtype組成的，因此得到了參考的區域性的好處。
通過像uFunc這樣的東西，可以進行矢量操作。
因此，有理由認為計算速度應該是：
(uFuncs)
(uFuncs with np arrays)> (loops with np arrays)> (loops with list).
然而，下面的代碼顯示，速度實際上是，
(uFuncs with np arrays)>(loops with list)>(loops with np arrays)。換句話說，盡管使用np陣列的uFUncs是最快的，但使用串列的回圈比使用np陣列的回圈快。誰能解釋一下為什么會這樣？
預先感謝您的回答！
import numpy as np
np.random.seed(0)
arr=np.arange(1,1000)
arrlist=[]
for i in range（1,1000）:
arrlist.append(i)
#case0: list loop: arrlist.append(i)
def list_loop（values）。#values: 我想取倒數的一維陣列。
output=[]
for i in range（len（values））。
output.append(1.0/values[i])
return output
#case1: np陣列回圈 def nparray_loop（values）。#values: 我想取倒數的一維陣列。
output=np.empty(len(values))
for i in range(len(value))。
output[i]=1.0/values[i]
return output
#case2: uFunc
def nparray_uFunc（values）。
return 1.0/values
print("list loop computation time:")
%timeit list_loop(arrlist)
print('
')
print("np陣列回圈計算時間：")
%timeit nparray_loop(arr)
print('
')
print("uFunc計算時間：")
%timeit nparray_uFunc(arr)
輸出：
list回圈計算時間。
185 μs ± 5.63 μs per loop (mean ± std. dev. of 7 runs, 10000loops each)
np陣列回圈的計算時間。
4.28 ms ± 402 μs per loop (mean ± std. dev. of 7 runs, 100 loop each)
uFunc的計算時間。
5.42 μs ± 1.23 μs per loop (mean ± std. dev. of 7 runs, 100000 loop each)
uj5u.com熱心網友回復：
一個串列在內部表示為一個Python物件的向量。 numpy陣列是一個復雜的資料結構，其中實際的數字資料是以原始機器格式存盤的。
要在一個 Python 串列上呼叫一個 Python 函式，Python 只是從串列中摘取適當的元素并呼叫該函式。 要在一個 numpy 陣列上呼叫一個 Python 函式，Python 必須從 numpy 陣列的每個原始元素中取出，并將其轉換為適當的 Python 表示法，然后呼叫 Python 函式。
Numpy對于矢量操作來說是非常快的。 如果你打算一個元素一個元素地看資料，那么它的效率就會降低。
uj5u.com熱心網友回復：
你對資料定位的思考是正確的，但這并不是全部的情況。
Python 串列或帶有 dtype = object 的 NumPy 陣列持有 references；每個元素都指向一個外部資料物件。然而，NumPy 陣列也可以有數字 dtypes；每個元素直接存盤資料。
與數字 dtypes 不同，一個參考不會告訴你它所指向的物件的型別。在像 [1, 0.5, 2] 這樣的 Python 串列的回圈中，你需要檢查 values[i] 的型別，并為 每一次 迭代選擇適當的 / (float-int 或 float-float 除法)。在NumPy陣列上使用矢量代碼1.0/values，其數字型別為np.array([1, 0, 2])，你檢查陣列的數字型別numpy.int64并在迭代前只需找到合適的/一次。這節省了大量的時間，因為迭代的次數增加了。
現在，為什么NumPy陣列上的數字dtype的回圈會比同等的矢量化代碼慢？一些語言在編譯程序中進行了型別推理，所以他們可以知道values是一個NumPy陣列，并且values[i]在每個迭代中都必須是一個numpy.int64值。然而，Python 沒有做型別推理，而是選擇在每次迭代時檢查 values[i] 的型別，完全沒有意識到它每次都會得到相同的答案 numpy.int64。為了解決Python回圈中缺乏型別推理的問題，NumPy的矢量代碼允許Python使用C回圈(這并不是說你可以為了同樣的速度而切換到C，NumPy是高度優化的)。
現在，為什么 NumPy 陣列上的回圈比 Python 串列上的回圈要慢呢？這是因為 NumPy 陣列上的 values[i] 創建了一個新的 numpy.int64 標量物件，而 Python list 上的 values[i] 只是使用一個已經存在的物件。每次迭代創建和丟棄一個物件都需要時間，當所有這些被丟棄的物件觸發垃圾回收時，可能需要更多的時間。
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/326886.html
標籤：
上一篇：Mysql查詢限制運行緩慢