您好,登錄后才能下訂單哦!
這篇文章主要講解了“Python大數(shù)據(jù)一定要用Numpy Array的原因是什么”,文中的講解內(nèi)容簡(jiǎn)單清晰,易于學(xué)習(xí)與理解,下面請(qǐng)大家跟著小編的思路慢慢深入,一起來(lái)研究和學(xué)習(xí)“Python大數(shù)據(jù)一定要用Numpy Array的原因是什么”吧!
適當(dāng)?shù)厥褂肗umpy數(shù)組替代List,你能讓你的內(nèi)存占用降低20倍。
對(duì)于Python原生的List列表,由于每次新增對(duì)象,都需要8個(gè)字節(jié)來(lái)引用新對(duì)象,新的對(duì)象本身占28個(gè)字節(jié)(以整數(shù)為例)。所以列表 list 的大小可以用以下公式計(jì)算:
而使用Numpy,就能減少非常多的空間占用。比如長(zhǎng)度為n的Numpy整形Array,它需要:
可見(jiàn),數(shù)組越大,你節(jié)省的內(nèi)存空間越多。假設(shè)你的數(shù)組有10億個(gè)元素,那么這個(gè)內(nèi)存占用大小的差距會(huì)是GB級(jí)別的。
運(yùn)行下面這個(gè)腳本,同樣是生成某個(gè)維度的兩個(gè)數(shù)組并相加,你就能看到原生List和Numpy Array的性能差距。
import time import numpy as np size_of_vec = 1000 def pure_python_version(): t1 = time.time() X = range(size_of_vec) Y = range(size_of_vec) Z = [X[i] + Y[i] for i in range(len(X)) ] return time.time() - t1 def numpy_version(): t1 = time.time() X = np.arange(size_of_vec) Y = np.arange(size_of_vec) Z = X + Y return time.time() - t1 t1 = pure_python_version() t2 = numpy_version() print(t1, t2) print("Numpy is in this example " + str(t1/t2) + " faster!")
結(jié)果如下:
0.00048732757568359375 0.0002491474151611328 Numpy is in this example 1.955980861244019 faster!
可以看到,Numpy比原生數(shù)組快1.95倍。
如果你細(xì)心的話,還能發(fā)現(xiàn),Numpy array可以直接執(zhí)行加法操作。而原生的數(shù)組是做不到這點(diǎn)的,這就是Numpy 運(yùn)算方法的優(yōu)勢(shì)。
我們?cè)僮鰩状沃貜?fù)試驗(yàn),以證明這個(gè)性能優(yōu)勢(shì)是持久性的。
import numpy as np from timeit import Timer size_of_vec = 1000 X_list = range(size_of_vec) Y_list = range(size_of_vec) X = np.arange(size_of_vec) Y = np.arange(size_of_vec) def pure_python_version(): Z = [X_list[i] + Y_list[i] for i in range(len(X_list)) ] def numpy_version(): Z = X + Y timer_obj1 = Timer("pure_python_version()", "from __main__ import pure_python_version") timer_obj2 = Timer("numpy_version()", "from __main__ import numpy_version") print(timer_obj1.timeit(10)) print(timer_obj2.timeit(10)) # Runs Faster! print(timer_obj1.repeat(repeat=3, number=10)) print(timer_obj2.repeat(repeat=3, number=10)) # repeat to prove it!
結(jié)果如下:
0.0029753120616078377 0.00014940369874238968 [0.002683573868125677, 0.002754641231149435, 0.002803879790008068] [6.536301225423813e-05, 2.9387418180704117e-05, 2.9171351343393326e-05]
可以看到,第二個(gè)輸出的時(shí)間總是小得多,這就證明了這個(gè)性能優(yōu)勢(shì)是具有持久性的。
所以,如果你在做一些大數(shù)據(jù)研究,比如金融數(shù)據(jù)、股票數(shù)據(jù)的研究,使用Numpy能夠節(jié)省你不少內(nèi)存空間,并擁有更強(qiáng)大的性能。
感謝各位的閱讀,以上就是“Python大數(shù)據(jù)一定要用Numpy Array的原因是什么”的內(nèi)容了,經(jīng)過(guò)本文的學(xué)習(xí)后,相信大家對(duì)Python大數(shù)據(jù)一定要用Numpy Array的原因是什么這一問(wèn)題有了更深刻的體會(huì),具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云,小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章,歡迎關(guān)注!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。