189 8069 5689
这篇文章主要讲解了“Python大数据一定要用Numpy Array的原因是什么”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Python大数据一定要用Numpy Array的原因是什么”吧！
专注于为中小企业提供成都网站设计、网站建设服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业北京免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了近千家企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。
适当地使用Numpy数组替代List，你能让你的内存占用降低20倍。
对于Python原生的List列表，由于每次新增对象，都需要8个字节来引用新对象，新的对象本身占28个字节（以整数为例）。所以列表 list 的大小可以用以下公式计算：
而使用Numpy，就能减少非常多的空间占用。比如长度为n的Numpy整形Array，它需要：
可见，数组越大，你节省的内存空间越多。假设你的数组有10亿个元素，那么这个内存占用大小的差距会是GB级别的。
运行下面这个脚本，同样是生成某个维度的两个数组并相加，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!")结果如下：
0.00048732757568359375 0.0002491474151611328 Numpy is in this example 1.955980861244019 faster!
可以看到，Numpy比原生数组快1.95倍。
如果你细心的话，还能发现，Numpy array可以直接执行加法操作。而原生的数组是做不到这点的，这就是Numpy 运算方法的优势。
我们再做几次重复试验，以证明这个性能优势是持久性的。
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!结果如下：
0.0029753120616078377 0.00014940369874238968 [0.002683573868125677, 0.002754641231149435, 0.002803879790008068] [6.536301225423813e-05, 2.9387418180704117e-05, 2.9171351343393326e-05]
可以看到，第二个输出的时间总是小得多，这就证明了这个性能优势是具有持久性的。
所以，如果你在做一些大数据研究，比如金融数据、股票数据的研究，使用Numpy能够节省你不少内存空间，并拥有更强大的性能。
感谢各位的阅读，以上就是“Python大数据一定要用Numpy Array的原因是什么”的内容了，经过本文的学习后，相信大家对Python大数据一定要用Numpy Array的原因是什么这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！