使用numpy.mean列出要比使用numpy.array慢得多

我认为将Numpy方法直接应用于Python列表显然要慢一些。我认为它之所以慢是因为Numpy方法，比如说Numpy.mean，会在计算mean之前将列表转换成数组。但是在尝试下面的代码之后，不是这样的情况：将列表转换为数组的时间+数组的numpy平均值时间==列表的numpy平均值时间。有人能解释一下原因吗

将numpy导入为np
从时间导入时间
r=[i代表范围内的i（1000000）]
开始列表=时间（）
np.平均值（r）
结束列表=时间（）-开始列表
开始\数组=时间（）
np.均值（np.数组（r））
结束数组=时间（）-开始数组

第一个：0.060173988342285156

第二个：0.05114173889160156

---

只运行一次代码，观察挂钟时间并不是衡量其速度的最佳方式，因为结果可能会受到其他进程的随机和不可预测的影响。你应该运行几次（越多越好），然后取平均值。Python有一个专门用于这种目的的模块，名为。例如，在我的机器上，我得到以下结果：

from timeit import timeit

setup = """import numpy as np
r = list(range(1000000))"""
n = 100
print(timeit("np.mean(r)", setup=setup, number=n))
print(timeit("np.mean(np.array(r))", setup=setup, number=n))

输出：

4.940829735947773
4.928034849930555

49.4 ms ± 189 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
49.5 ms ± 202 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

或使用相应的：

输出：

4.940829735947773
4.928034849930555

49.4 ms ± 189 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
49.5 ms ± 202 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

这意味着执行时间没有显著差异

---

我使用Windows 10、Python 3.7.3和numpy 1.16.2。

在这两种情况下，它都会转换为数组、隐藏或显式。瓶颈是数组转换。