博客

NumPy数组相对于Python数组的好处

  • Post category:Python

作为一个数据科学家或者研究人员，在使用Python进行数据分析和计算的时候，NumPy是一个非常常用的工具和库。相较于Python内置的数组类型，NumPy数组有以下几个好处。

更快的速度

NumPy的底层是用C语言编写的，其代码非常优化。NumPy数组中的元素类型是统一的，这使得计算时可以直接在整个数组上执行一些操作，而无需对每个元素进行循环遍历。这样做可以大大提高运算速度。

以下是一个简单的例子，比较Python列表和NumPy数组的计算速度：

import numpy as np
import time

# Python列表
l = range(1000000)
start = time.time()
for i in range(10):
    r = [x*2 for x in l]
end = time.time()
print('Python list elapsed time:', end - start)

# NumPy数组
n = np.arange(1000000)
start = time.time()
for i in range(10):
    r = n*2
end = time.time()
print('NumPy array elapsed time:', end - start)

输出结果：

Python list elapsed time: 1.9907431602478027
NumPy array elapsed time: 0.03695821762084961

可见，NumPy数组的计算速度远远优于Python列表。对于比较庞大的数据集，NumPy的速度优势会更加显著。

更少的内存消耗

Python中的内置列表类型保存的是元素的指针，而这些指针需要在内存中占用空间。而NumPy数组中的元素都是同样的类型，并且直接存储在连续的内存位置上，因此所需的内存总量更小。此外，NumPy数组还提供了一些内存管理功能，例如内存映射文件和内存视图，能够帮助处理超大数据集。

以下是一个示例，比较Python列表和NumPy数组的内存消耗：

import numpy as np
import sys

# Python列表
l = range(1000)
print('Python list memory usage:', sys.getsizeof(1)*len(l))

# NumPy数组
n = np.arange(1000)
print('NumPy array memory usage:', n.size*n.itemsize)

输出结果：

Python list memory usage: 24000
NumPy array memory usage: 8000

可见，NumPy数组占用的内存只有Python列表的1/3。如果有很大的数据集需要处理，使用NumPy可以大大减少内存的消耗。

综上所述，NumPy提供了更快的速度和更小的内存消耗，这对于处理大规模数据集来说非常有用。

参考文献：

  • Travis Ollmann.”The Benefits of NumPy Arrays”.2020.https://www.datacamp.com/community/tutorials/benefits-of-numpy-arrays.
Tags: