Python 所用时间：np.sum vs.sum

事实上，与其他列表和元组相比，Numpy的完成时间更短。但是从下面的代码中，如果我们取出np并检查所花费的时间，它大约是1.8秒，但是对于np，总和超过21秒。你能告诉我为什么吗

import numpy as np
import time
start = time.process_time() 
p = np.sum(range(1,100000000))   
print(time.process_time() - start)

---

我的rep值较低，因此无法发表评论，但这可能是因为需要将范围转换为numpy对象

我会用这样的东西作为基准：

import numpy as np
import time

vec = np.array(range(1, 1e8))

start = time.process_time() 
p = np.sum(vec)   
print(time.process_time() - start)

---

一些经验更丰富的用户可能会向您介绍一个基准实用程序，它可以更好地描述时间消耗的位置

尽我所能比较不同的苹果在这里，让我们完全创建一个列表和一个整数数组，范围从1到1000000：

将numpy导入为np
lst=列表（范围（1，整数（1e6）））
vec=np.arange（1，1e6，dtype=int）

现在，让我们使用jupyter中专门构建的计时实用程序来比较操作：

%%timeit
总和（lst）

这给了我：

每个回路9.14 ms±379µs（7次运行的平均值±标准偏差，每个100个回路）

%%timeit
向量和（）

这给了我：

每个回路957µs±39.1µs（7次运行的平均值±标准偏差，每个1000个回路）

---

因此，在我看来，如果确保您拥有相同的数据类型，并且不考虑从计时中创建对象，numpy的性能符合其要求。

似乎大部分时间都花在了将python范围转换为np.array上。您可以查看：

import numpy as np
import time
start = time.process_time() 
p = np.array(range(1,100000000))   
print(time.process_time() - start)

我的CPU大约需要16秒

np.sum（范围（1100000000））

按以下顺序执行：

正在通过

范围

功能创建生成器

正在从生成器创建np.array（这是花费时间最多的地方）

np.sum正在计算中

我建议您使用

np.arange

而不是range：

import numpy as np
import time
start = time.process_time() 
p = np.sum(np.arange(1,100000000))   
print(time.process_time() - start)

---

在这种情况下，计算总和的速度比计算

sum（范围（1100000000））

这是否回答了您的问题？