与Python列表相比，Numpy数组必须有多大才能从它的效率中获益

我一直听说Numpy阵列处理大量数据的速度更快。但是一个Numpy数组需要多少数据才能取代标准Python数组的效率（技术上是列表）

---

谢谢。

例如，如果您想将所有元素设置为1，那么numpy在10个元素时对我来说更快，可能之前我没有检查：

>>> import timeit
>>> timeit.timeit('for i in r: a[i] = 1', setup='a = [0]*10; r=range(len(a))')
0.3777730464935303
>>> timeit.timeit('b[:] = 1', setup='import numpy; b=numpy.array([0]*10)')
0.3234739303588867

对于1000个元素，第一个元素的速度约为100倍，第二个元素的速度仅为2倍

---

但这完全取决于你需要做什么。如果您可以通过使用numpy ISM避免for循环（如assing to b[：]），那么numpy的速度非常快；如果必须使用for循环，那么它不会有多大帮助。

例如，如果要将所有元素设置为1，那么numpy在10个元素时对我来说更快，可能之前我没有检查：

>>> import timeit
>>> timeit.timeit('for i in r: a[i] = 1', setup='a = [0]*10; r=range(len(a))')
0.3777730464935303
>>> timeit.timeit('b[:] = 1', setup='import numpy; b=numpy.array([0]*10)')
0.3234739303588867

对于1000个元素，第一个元素的速度约为100倍，第二个元素的速度仅为2倍

---

但这完全取决于你需要做什么。如果您可以通过使用numpy ISM避免for循环（如assing to b[：]），那么numpy的速度非常快；如果必须使用for循环，那么它将不会有多大帮助。

这可能取决于运行它的机器和用于编译东西的编译器，以及用于运行程序的特定python版本和正在运行的确切程序。也就是说，回答这个问题几乎是不可能的。制作一个基准程序并自己测量。您可以使用

timeit

并比较

10**n

元素集合上的数组操作

numpy

不仅速度快，而且比相应的列表使用更少的内存，并且为许多操作提供了更简洁的语法。@Halp：他指的是用于编译Python和numpy的编译器。@Halp

numpy

的一个主要优点是向量化操作，即不是通过列表循环执行操作正如您所说的“通过函数传递它们”，您可以将整个

ndarray

传递到函数中，然后一次处理所有内容（假设您的函数是矢量化的）。如果从列表开始，则创建数组是主要的开销。完成后，大多数数组操作会更快。如果从数组开始，则采用类似列表的迭代（例如使用标量函数）这可能取决于你运行它的机器和用来编译东西的编译器，以及用来运行程序的特定python版本和你正在运行的确切程序。也就是说，这几乎不可能回答。制作一个基准程序并自己测量。你可以使用

timeit

并比较

10**n

元素集合上的数组操作。

numpy

不仅速度快，而且比相应的列表使用更少的内存，并为许多操作提供更简洁的语法。@Halp：他指的是用于编译Python和numpy的编译器。@Halp

numpy

的主要优点之一是对操作进行矢量化，也就是说，您可以将整个

ndarray

传递到函数中，然后一次对其进行处理（假设您的函数已矢量化），而不是像您所说的那样通过一个列表来“使它们通过一个函数”。如果从列表开始，则创建数组是主要的开销。完成后，大多数数组操作会更快。如果从数组开始，则诉诸类似列表的迭代（例如使用标量函数）会大大降低速度。