Python numpy数组与列表

我需要对一大串数字进行一些计算

与典型阵列相比，array.array或numpy.array是否提供了显著的性能提升

我不需要对数组进行复杂的操作，我只需要能够访问和修改值

e、 g

因此，我将不会真正需要连接、切片等

另外，如果我尝试分配不适合C long的值，数组似乎会抛出一个错误：

import numpy
a = numpy.array([0])
a[0] += 1232234234234324353453453
print(a)

在控制台上，我得到：

a[0] += 1232234234234324353453453
OverflowError: Python int too large to convert to C long

数组是否有一种变体可以让我输入无界Python整数？

---

或者，这样做会不会从一开始就失去使用数组的意义？

您首先需要了解数组和列表之间的区别

数组是一个连续的内存块，由某些类型的元素（例如整数）组成

一旦创建数组，就不能更改其大小。
因此，数组中的每个整数元素都有固定的大小，例如4个字节

另一方面，列表仅仅是地址的“数组”（也有固定大小）

但是，每个元素都保存内存中其他元素的地址，这是您想要处理的实际整数。当然，这个整数的大小与数组的大小无关。因此，您总是可以创建一个新的（更大的）整数，并“替换”旧整数，而不影响数组的大小，数组只保存整数的地址

当然，列表的这种便利性是有代价的：对整数执行算术现在需要对数组进行内存访问，加上对整数本身的内存访问，加上分配更多内存所需的时间（如果需要），加上删除旧整数所需的时间（如果需要的话）。是的，它可能会慢一些，所以你必须小心处理数组中的每个整数

与典型阵列相比，array.array或numpy.array是否提供了显著的性能提升

它可以，取决于你在做什么

或者，这样做会不会从一开始就失去阵列的意义

---

差不多，是的。

您的第一个示例可能是加速。Python循环和对numpy数组中单个项的访问速度很慢。请改用矢量化操作：

import numpy as np
x = np.arange(1000000).cumsum()

可以将无界Python整数放入numpy数组：

a = np.array([0], dtype=object)
a[0] += 1232234234234324353453453

在这种情况下，算术运算比固定大小的C整数要慢

array.array或numpy.array是否比 典型阵列

我尝试用以下代码对此进行测试：

import timeit, math, array
from functools import partial
import numpy as np

# from the question
def calc1(x):
    for i in range(1,len(x)):
        x[i] = x[i-1] + 1

# a floating point operation
def calc2(x):
    for i in range(0,len(x)):
        x[i] = math.sin(i)

L = int(1e5)

# np
print('np 1: {:.5f} s'.format(timeit.timeit(partial(calc1, np.array([0] * L)), number=20)))
print('np 2: {:.5f} s'.format(timeit.timeit(partial(calc2, np.array([0] * L)), number=20)))

# np but with vectorized form
vfunc = np.vectorize(math.sin)
print('np 2 vectorized: {:.5f} s'.format(timeit.timeit(partial(vfunc, np.arange(0, L)), number=20)))

# with list
print('list 1: {:.5f} s'.format(timeit.timeit(partial(calc1, [0] * L), number=20)))
print('list 2: {:.5f} s'.format(timeit.timeit(partial(calc2, [0] * L), number=20)))

# with array
print('array 1: {:.5f} s'.format(timeit.timeit(partial(calc1, array.array("f", [0] * L)), number=20)))
print('array 2: {:.5f} s'.format(timeit.timeit(partial(calc2, array.array("f", [0] * L)), number=20)))

结果是列表在这里执行得最快（Python 3.3，NumPy 1.8）：

---

这似乎是违反直觉的。对于这些简单的示例，使用

numpy

或

array

而不是

list

似乎没有任何优势。

使用

a=numpy.array（元素数，dtype=numpy.int64）

这将为您提供一个64位整数数组。它们可以存储-2^63和（2^63）-1之间的任何整数（大约在-10^19和10^19之间），这通常就足够了。

对于大多数用途，列表非常有用。例如，有时使用numpy数组可能更方便

a=[1,2,3,4,5,6,7,8,9,10]

b=[5,8,9]

考虑一个列表“a”，如果您想访问列表中的元素，请使用列表“b”中给出的离散索引 书写

这是行不通的

但当您将它们用作数组时，您只需编写

a[b]

---

以数组（[6,9,10]）的形式获取输出。

到OP:For your use case use list

考虑到稳健性和速度，我的使用规则如下：

列表：（最健壮，对于可变情况最快） 例如，当你的列表在物理模拟中不断变化时。当你从头开始“创建”数据时，这些数据在本质上可能是不可预测的

np.array：（线性代数和数据后处理的鲁棒性较差，速度最快）

---

例如，“后处理”通过传感器或模拟采集的数据集；执行可矢量化的操作。

如果不使用矢量化操作（如OP的第一个示例），最后一段同样适用于固定大小整数的numpy数组。这不是numpy阵列速度更快的原因。另请参见

a=[1,2,3,4,5,6,7,8,9,10]

b=[5,8,9]

a[b]

a[b]