Numpy数组在数值运算方面与python提供的容器对比

        当涉及到数值运算时，NumPy数组在效率方面通常优于Python提供的容器。NumPy是Python中用于科学计算的核心库之一，它提供了高效的多维数组对象和一系列函数用于数组操作。在这篇博客中，我们将讨论NumPy数组相对于Python提供的容器的优势，并举例说明其在数值运算方面的效率。

1. 内存布局

        NumPy数组在内存中以连续的块存储数据，这使得对数组的访问更加高效。相比之下，Python提供的容器（如列表）存储的是对象的引用，而非对象本身的值，这可能导致内存碎片化和额外的访问开销。

2. 矢量化操作

        NumPy提供了丰富的矢量化操作，这意味着可以在整个数组上执行相同的操作，而无需编写显式的循环。这样的操作利用了底层优化，避免了Python解释器的开销，从而提高了运算速度。

3. 广播

        NumPy的广播功能允许对不同形状的数组进行算术运算，而无需进行显式的形状转换或循环。这简化了代码，并且可以避免复制数据，提高了运算效率。

4. 底层优化

        NumPy的底层实现是用C语言编写的，其中包含了许多优化的算法和数据结构。这些优化使得NumPy在数值计算方面的性能比纯Python代码更高。

示例：通过对一维数组分别进行平方和三次方后进行相加，分别比较使用numpy数组和纯python进行操作的时间差

代码片段1：定义两个实现相应功能的函数

# 以纯python代码实现
def pythonSum(n):
    # 这里有个注意点，range产生的是一个可迭代的对象，而不是一个可修改的对象
    a=range(n)
    b=range(n)
    c=[]
    for i in range(len(a)):
        c.append(a[i]**2+b[i]**3)
    return c
d=pythonSum(3)
print(d)

# 以Numpy实现
import numpy as np
def numpySum(n):
    # numpy的矢量化操作：在整个数组上进行相同的操作，无需for循环
    a=np.arange(n)
    b=np.arange(n)
    c=a**2+b**3
    return c
e=numpySum(3)
print(e)   

代码片段2：使用matplotlib绘制折线图进行对比，数据集为80000-90000，之间对应的arange数组

from datetime import datetime
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']  # 设置中文显示字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

def timeDiff(n):
    ptd=[]
    ntd=[]
    for i in n:
        start=datetime.now()
        pythonSum(i)
        end=datetime.now()
        ptd.append((end-start).total_seconds())
        # print("python时间差为：",(end-start).total_seconds())

        start=datetime.now()
        numpySum(i)
        end=datetime.now()
        ntd.append((end-start).total_seconds())
        # print("Numpy时间差为：",(end-start).total_seconds())
    return ptd,ntd

n=[x*100 for x in range(800,900)]
# n=range(1000,5000)
pyTimeDiff,npTimeDiff=timeDiff(n)
plt.plot(n,pyTimeDiff,label="python")
plt.plot(n,npTimeDiff,label="numpy")
plt.xlabel("数据量")
plt.ylabel("时间差")
plt.title("Comparison of time difference between Python and numpy ")
plt.legend()
plt.show()

效果展示：