Python 可能必须使用比示例中的6更多的数据点来计时，才能看到差异。尝试使用np.random.randint生成一些伪数据以生成数百万行。当我看到它时，我简直不敢相信。。。我从100条随机分布的100k点的轨迹开始模拟。将指针保存在变量中的代码快了约50倍。100
Python 可能必须使用比示例中的6更多的数据点来计时，才能看到差异。尝试使用np.random.randint生成一些伪数据以生成数百万行。当我看到它时，我简直不敢相信。。。我从100条随机分布的100k点的轨迹开始模拟。将指针保存在变量中的代码快了约50倍。100,python,arrays,performance,numpy,Python,Arrays,Performance,Numpy,可能必须使用比示例中的6更多的数据点来计时，才能看到差异。尝试使用np.random.randint生成一些伪数据以生成数百万行。当我看到它时，我简直不敢相信。。。我从100条随机分布的100k点的轨迹开始模拟。将指针保存在变量中的代码快了约50倍。1000万个点分布在100条记录道上。。。在我写这篇文章的时候，它仍然在计算第一个跟踪，优化的代码在大约一分钟内就完成了。真令人震惊@疯狂物理学家我的印象是，使用numpy阵列我可以更好地“抓住”我需要的东西。。。我真的不确定我在那里的表现。。。您会
可能必须使用比示例中的6更多的数据点来计时，才能看到差异。尝试使用np.random.randint生成一些伪数据以生成数百万行。当我看到它时，我简直不敢相信。。。我从100条随机分布的100k点的轨迹开始模拟。将指针保存在变量中的代码快了约50倍。1000万个点分布在100条记录道上。。。在我写这篇文章的时候，它仍然在计算第一个跟踪，优化的代码在大约一分钟内就完成了。真令人震惊@疯狂物理学家我的印象是，使用numpy阵列我可以更好地“抓住”我需要的东西。。。我真的不确定我在那里的表现。。。您会使用列表吗？@hubie我还建议您学习跟踪需要更多时间才能优化的代码。PyCharm的专业版具有很好的分析器集成。