NumPy入门学习（三）效率比较

NumPy对比for-in有着很高的效率

1. 生成大规模数组的效果

@timeit_test(number=1, repeat=1)
def list_test():
    my_list = list(range(1000000))


@timeit_test(number=1, repeat=1)
def ndarray_test():
    my_arr = np.arange(1000000)


list_test()  
ndarray_test() 

Time of 0 used: 0.04712673199999998
Time of 0 used: 0.0014547089999999985

2. 数值运算的效果

@timeit_test(number=1, repeat=1)
def list_test():
    my_list = []
    for num in range(1000000):
        my_list.append(num * 2.0)


@timeit_test(number=1, repeat=1)
def ndarray_test():
    my_arr = np.arange(1000000)
    my_arr = my_arr * 2.0


list_test()
darray_test() 

Time of 0 used: 0.15243656000000003
Time of 0 used: 0.009769811999999989

3. 处理数据的机制

import numpy as np

print(np.array([[1, 1, 1], [2, 2, 2], [3, 3, 3], [4, 4, 4]]).shape)
print(np.array([[1, 1, 1], [2, 2, 2], [3, 3, 3], [4, 4, 4]]).dtype)
print(np.array([[1, 1, 1], [2, 2, 2], [3, 3, 3], [4, 4, 4]]).strides)

(4, 3)
int64
(24, 8)

ndarray根据数据类型将同质的数据块为多维数组对象，结合跨度信息使得数组能以各种步幅在内存中移动。Python列表中的元素类型是任意的，并不能连续存储与内存中，只能通过寻址方式找到下一个元素。