为什么numpy的array那么快?

一、为什么numpy的array那么快

NumPy的数组是一种静态、同质的类型，当ndarray对象被创建时，元素的类型就确定。

由于是静态类型，所以 ndarray 间的加、减、乘、除用C和Fortran实现才成为可能，所以运行起来就会更快。numpy官网介绍，numpy的底层代码用C语言和Fortran语言实现，实现性能无限接近C的处理效率，C语言的执行效率本身就比python的执行效率高，所以numpy数组的计算速度比python原生的list序列快

理解ndarray

NumPy ndarray是一个N维数组。您可以如此创建：

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

这些数组存储着相同大小的元素的同质数组。也就是说，数组中的所有项都具有相同的数据类型且大小相同。例如，您不能在同一个ndarray中放入字符串’hello’和整数16。

Ndarrays有两个关键特征：shape和dtype。

shape描述了数组的每个维度的长度，即将数组计为一个元素的情况下，在该维度中的元素计数。例如，上面的阵列X具有形状（2,3）。我们可以像这样想象它：

NP.ARRAY([[0,1,2],[3,4,5]])

dtype（数据类型）定义元素大小。例如，每个int16项的大小为16位，即16/8 = 2个字节。（一个字节等于8位。）因此X.itemsize为2。具体的dtype是可选的。

延伸阅读：

二、umpy数组相对于List的优势

1.内存占用更小

适当地使用Numpy数组替代List，你能让你的内存占用降低20倍。

对于Python原生的List列表，由于每次新增对象，都需要8个字节来引用新对象，新的对象本身占28个字节（以整数为例）。所以列表 list 的大小可以用以下公式计算：

64 + 8 * len(lst) + len(lst) * 28 字节

而使用Numpy，就能减少非常多的空间占用。比如长度为n的Numpy整形Array，它需要：

96 + len(a) * 8 字节

可见，数组越大，你节省的内存空间越多。假设你的数组有10亿个元素，那么这个内存占用大小的差距会是GB级别的。

2.速度更快、内置计算方法

运行下面这个脚本，同样是生成某个维度的两个数组并相加，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!”)

结果如下：

0.00048732757568359375 0.0002491474151611328

Numpy is in this example 1.955980861244019 faster!

可以看到，Numpy比原生数组快1.95倍。

如果你细心的话，还能发现，Numpy array可以直接执行加法操作。而原生的数组是做不到这点的，这就是Numpy 运算方法的优势。

我们再做几次重复试验，以证明这个性能优势是持久性的。

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!

结果如下：

0.0029753120616078377

0.00014940369874238968

[0.002683573868125677, 0.002754641231149435, 0.002803879790008068]

[6.536301225423813e-05, 2.9387418180704117e-05, 2.9171351343393326e-05]

可以看到，第二个输出的时间总是小得多，这就证明了这个性能优势是具有持久性的。

如果在做一些大数据研究，比如金融数据、股票数据的研究，使用Numpy能够节省你不少内存空间，并拥有更强大的性能。