Numpy数组优势

NumPy的数组对象

NumPy是一个开源的Python科学计算基础库，包含：

• 一个强大的N维数组对象 ndarray

• 广播功能函数

• 整合C/C++/Fortran代码的工具

• 线性代数、傅里叶变换、随机数生成等功能

同时NumPy是SciPy、 Pandas等数据处理或科学计算库的基础

标准安装的

Python

中用列表

(list)

保存一组值，可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的

[1,2,3]

，需要有

3个指针

和

三个整数对象

。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。

此外

Python

还提供了一个

array

模块，

array

对象和列表不同，它直接保存数值，和

C语言

的

一维数组

比较类似。但是由于它不支持多维，也没有各种运算函数，因此也不适合做数值运算。

NumPy

的诞生弥补了这些不足，

NumPy

提供了两种基本的对象：

ndarray

（N-dimensional array object）和

ufunc

（universal function object）。

ndarray

(下文统一称之为数组)是

存储单一数据类型

的多维数组，而

ufunc

则是能够对数组进行处理的函数。总的来说：

数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据

设置专门的数组对象，经过优化，可以提升这类应用的运算速度

观察：科学计算中，一个维度所有数据的类型往往相同。数组对象采用相同的数据类型，有助于节省运算和存储空间

性能比较

例：计算 A2+B3A2+B3，其中，A和B是一维数组

In [1]: a = [0, 1, 2, 3, 4]

In [2]: b = [9, 8, 7, 6, 5]

In [3]: import numpy as np

In [4]: nda = np.array(a)

In [5]: ndb = np.array(b)

In [6]: %timeit sum([a[i]**2 + b[i]**3 for i in range(len(a))])
4.4 µs ± 593 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [7]: %timeit nda ** 2 + ndb ** 3
2.51 µs ± 93.7 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

这是在我一个干净的Ubuntu上测试的结果，可以看到Python3中ndarray的性能比list好，虽然这样还是有些的不严谨，但还是看出了ndarray的一些优势。

Numpy 导入规范

import numpy as np

尽管别名可以省略或更改，建议使用上述约定的别名，类似的科学计算相关的包别名有：

import pandas as pd
import scipy.stats as spstats
import scipy as sp
import matplotlib.pyplot as plt

别名并不强制要求，但是规范要有。

References

用Python做科学计算