這篇文章主要講解了“Python大數(shù)據(jù)一定要用Numpy Array的原因是什么”，文中的講解內(nèi)容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python大數(shù)據(jù)一定要用Numpy Array的原因是什么”吧！
專注于為中小企業(yè)提供成都網(wǎng)站設(shè)計、網(wǎng)站建設(shè)服務(wù),電腦端+手機端+微信端的三站合一,更高效的管理,為中小企業(yè)北京免費做網(wǎng)站提供優(yōu)質(zhì)的服務(wù)。我們立足成都，凝聚了一批互聯(lián)網(wǎng)行業(yè)人才，有力地推動了近千家企業(yè)的穩(wěn)健成長，幫助中小企業(yè)通過網(wǎng)站建設(shè)實現(xiàn)規(guī)模擴充和轉(zhuǎn)變。
適當?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個字節(jié)來引用新對象，新的對象本身占28個字節(jié)（以整數(shù)為例）。所以列表 list 的大小可以用以下公式計算：
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：
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10億個元素，那么這個內(nèi)存占用大小的差距會是GB級別的。
運行下面這個腳本，同樣是生成某個維度的兩個數(shù)組并相加，你就能看到原生List和Numpy Array的性能差距。
重慶分公司
重慶分公司
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)組是做不到這點的，這就是Numpy 運算方法的優(yōu)勢。
我們再做幾次重復(fù)試驗，以證明這個性能優(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，第二個輸出的時間總是小得多，這就證明了這個性能優(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，并擁有更強大的性能。
感謝各位的閱讀，以上就是“Python大數(shù)據(jù)一定要用Numpy Array的原因是什么”的內(nèi)容了，經(jīng)過本文的學習后，相信大家對Python大數(shù)據(jù)一定要用Numpy Array的原因是什么這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！
