Python Numpy功能是否很慢？

Numpy应该很快。然而，当比较Numpy UFUNC与标准Python函数时，我发现后者要快得多

比如说,

aa = np.arange(1000000, dtype = float)
%timeit np.mean(aa) # 1000 loops, best of 3: 1.15 ms per loop
%timeit aa.mean # 10000000 loops, best of 3: 69.5 ns per loop

我用其他Numpy函数得到了类似的结果，比如max，power。我的印象是，Numpy的开销使小型阵列的速度变慢，而大型阵列的速度更快。在上面的代码中，aa并不小：它有一百万个元素。我错过什么了吗

当然，Numpy速度很快，但功能似乎很慢：

bb = range(1000000)
%timeit mean(bb) # 1 loops, best of 3: 551 ms per loop
%timeit mean(list(bb)) # 10 loops, best of 3: 136 ms per loop

---

你没有打电话给aa。意思是说。将函数调用括号放在末尾，以实际调用它，速度差将几乎消失。（

np.mean（aa）

和

aa.mean（）

都是NumPy；都不使用Python内置函数进行计算。）

您没有调用

aa.mean

。将函数调用括号放在末尾，以实际调用它，速度差将几乎消失。（

np.mean（aa）

和

aa.mean（）

都是NumPy；两者都不使用Python内置函数进行计算。）

其他人已经指出，您的比较不是真正的比较（您没有调用函数+两者都是NumPy）。
但是要回答“numpy函数慢吗？”：一般来说，不，numpy函数不慢（或者不慢于普通python函数）。当然，还有一些需要注意的地方：

• “慢”取决于你与之相比的东西，它总是可以更快。例如，调用C代码。。。在许多情况下，也有可能获得更快的结果
• Numpy有一定的开销，在某些情况下这可能非常重要。例如，正如您已经提到的，numpy在小数组和标量数学上的速度可能较慢。有关这方面的比较，请参见

要进行您想要进行的比较，请执行以下操作：

In [1]: import numpy as np
In [2]: aa = np.arange(1000000)
In [3]: bb = range(1000000)

对于

mean

（注意，python标准库中没有mean函数：）：

对于

max

，numpy与普通python：

In [6]: %timeit np.max(aa)
1000 loops, best of 3: 1.52 ms per loop

In [7]: %timeit max(bb)
10 loops, best of 3: 31.2 ms per loop

---

最后，在上面的比较中，我为numpy函数使用了一个numpy数组（

aa

），为普通python函数使用了一个列表（

bb

）。如果您将列表与numpy函数一起使用，在这种情况下，它将再次变慢：

In [10]: %timeit np.max(bb)
10 loops, best of 3: 115 ms per loop

---

因为列表首先转换为数组（占用大部分时间）。因此，如果您希望在应用程序中依赖numpy，那么使用numpy数组存储数据（或者如果您有一个列表，请将其转换为数组，以便此转换只需执行一次）是很重要的

其他人已经指出，您的比较不是真正的比较（您没有调用函数+两者都是numpy）。
但是要回答“numpy函数慢吗？”：一般来说，不，numpy函数不慢（或者不慢于普通python函数）。当然，还有一些需要注意的地方：

• “慢”取决于你与之相比的东西，它总是可以更快。例如，调用C代码。。。在许多情况下，也有可能获得更快的结果
• Numpy有一定的开销，在某些情况下这可能非常重要。例如，正如您已经提到的，numpy在小数组和标量数学上的速度可能较慢。有关这方面的比较，请参见

要进行您想要进行的比较，请执行以下操作：

In [1]: import numpy as np
In [2]: aa = np.arange(1000000)
In [3]: bb = range(1000000)

对于

mean

（注意，python标准库中没有mean函数：）：

对于

max

，numpy与普通python：

In [6]: %timeit np.max(aa)
1000 loops, best of 3: 1.52 ms per loop

In [7]: %timeit max(bb)
10 loops, best of 3: 31.2 ms per loop

---

最后，在上面的比较中，我为numpy函数使用了一个numpy数组（

aa

），为普通python函数使用了一个列表（

bb

）。如果您将列表与numpy函数一起使用，在这种情况下，它将再次变慢：

In [10]: %timeit np.max(bb)
10 loops, best of 3: 115 ms per loop

---

因为列表首先转换为数组（占用大部分时间）。因此，如果您希望在应用程序中依赖numpy，那么使用numpy数组存储数据（或者如果您有一个列表，请将其转换为数组，以便此转换只需执行一次）是很重要的

您使用的是哪个版本的Python？在Python 2中，

range（）

返回一个列表。在Python3中，

range（）

返回一个迭代器。这将对您的性能测量产生巨大影响。

np.mean（aa）

和

aa.mean

似乎是同一个函数。仅供参考，

aa.mean

没有任何作用。你不是在调用函数，你只是在给它命名。这就是为什么它这么快。瞧，你想要

aa.mean（）

@DSM:True。在做了一次timeit之后，它们看起来很相似，

aa.mean（）

似乎快了一点。您使用的是哪个版本的Python？在Python 2中，

range（）

返回一个列表。在Python3中，

range（）

返回一个迭代器。这将对您的性能测量产生巨大影响。

np.mean（aa）

和

aa.mean

似乎是同一个函数。仅供参考，

aa.mean

没有任何作用。你不是在调用函数，你只是在给它命名。这就是为什么它这么快。瞧，你想要

aa.mean（）

@DSM:True。在做了一次timeit之后，它们似乎是相似的，

aa.mean（）

似乎快了一点。