建站
咨詢
售后
建站咨詢
新聞中心
Numpy 是Python科學(xué)計(jì)算的一個(gè)核心模塊。它提供了非常高效的數(shù)組對象，以及用于處理這些數(shù)組對象的工具。一個(gè)Numpy數(shù)組由許多值組成，所有值的類型是相同的。
建陽ssl適用于網(wǎng)站、小程序/APP、API接口等需要進(jìn)行數(shù)據(jù)傳輸應(yīng)用場景，ssl證書未來市場廣闊！成為成都創(chuàng)新互聯(lián)公司的ssl證書銷售渠道，可以享受市場價(jià)格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：028-86922220（備注：SSL證書合作）期待與您的合作！
Python的核心庫提供了 List 列表。列表是最常見的Python數(shù)據(jù)類型之一，它可以調(diào)整大小并且包含不同類型的元素，非常方便。
那么List和Numpy Array到底有什么區(qū)別？為什么我們需要在大數(shù)據(jù)處理的時(shí)候使用Numpy Array？答案是性能。
Numpy數(shù)據(jù)結(jié)構(gòu)在以下方面表現(xiàn)更好：
1.內(nèi)存大小—Numpy數(shù)據(jù)結(jié)構(gòu)占用的內(nèi)存更小。
2.性能—Numpy底層是用C語言實(shí)現(xiàn)的，比列表更快。
3.運(yùn)算方法—內(nèi)置優(yōu)化了代數(shù)運(yùn)算等方法。
下面分別講解在大數(shù)據(jù)處理時(shí)，Numpy數(shù)組相對于List的優(yōu)勢。
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。
對于Python原生的List列表，由于每次新增對象，都需要8個(gè)字節(jié)來引用新對象，新的對象本身占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。比如長度為n的Numpy整形Array，它需要：
96 + len(a) * 8 字節(jié)
可見，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是GB級別的。
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。
我們再做幾次重復(fù)試驗(yàn)，以證明這個(gè)性能優(yōu)勢是持久性的。
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)勢是具有持久性的。
所以，如果你在做一些大數(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。
參考文獻(xiàn)：??https://webcourses.ucf.edu/courses/1249560/pages/python-lists-vs-numpy-arrays-what-is-the-difference??
我們的文章到此就結(jié)束啦，如果你喜歡今天的Python 實(shí)戰(zhàn)教程，請持續(xù)關(guān)注我們。
當(dāng)前題目：Python大數(shù)據(jù)為啥一定要用NumpyArray?
URL分享：http://m.5511xx.com/article/dpdscie.html
