怎样进行Python内置函数与numPy运算速度对比-创新互联

本篇文章为大家展示了怎样进行Python内置函数与numPy运算速度对比,内容简明扼要并且容易理解,绝对能使你眼前一亮,通过这篇文章的详细介绍希望你能有所收获。

创新互联建站专注于企业成都全网营销推广、网站重做改版、武定网站定制设计、自适应品牌网站建设、H5响应式网站商城系统网站开发、集团公司官网建设、外贸网站制作、高端网站制作、响应式网页设计等建站业务,价格优惠性价比高,为武定等各大城市提供网站开发制作服务。

Python自己带了几个函数,主要是sum,max,min,同时numPy中也有几个类似的函数,今天对比了一下几个函数的运算速度,发现了还是numpy的array计算速度最快。

思路,通过产生1万个随机数,对其用四种方法求和,以及求较大值,求均值的方式与求和相同,求最小值的方式与求较大值也类似,故只测了求和与较大值两项。

import random
import time
import numpy as np
from pandas import Series
a=[]
for i in range(100000000):
    a.append(random.random())
t1=time.time()
sum1=sum(a) #直接用内置函数求
t2=time.time()
sum2=np.sum(a)#用numpy直接求
t3=time.time()

b=np.array(a)
t4=time.time()
sum3=np.sum(b)#用numpy转换为array后求
t5=time.time()

c=Series(a)
t6=time.time()
sum4=c.sum()#用pandas的Series对象求
t7=time.time()
print t2-t1,t3-t2,t5-t4,t7-t6

最后的结果分别为# sum 1.60611581802       9.87746500969    0.223296165466   1.66015696526

可以看出,以array为对象的numpy计算方式最快,而以numpy直接计算最慢,内置函数速度排第二。

求较大值

import random
import time
import numpy as np
from pandas import Series
a=[]
for i in range(100000000):
    a.append(random.random())
t1=time.time()
sum1=max(a)#直接用内置函数求
t2=time.time()
sum2=np.max(a)#用numpy直接求
t3=time.time()
b=np.array(a)
t4=time.time()
sum3=np.max(b)#用numpy转换为array后求
t5=time.time()
c=Series(a)
t6=time.time()
sum4=c.max()#用pandas的Series对象求
t7=time.time()
print t2-t1,t3-t2,t5-t4,t7-t6



结果为:
# max 2.81509399414    9.83987283707   0.219717025757    1.62969207764
结果依然是以array为计算对象的numpy最快。

综上,如果考虑运算速度,应该先将对象转为array,再用numpy进行计算,可获得最快的计算速度。

上述内容就是怎样进行Python内置函数与numPy运算速度对比,你们学到知识或技能了吗?如果还想学到更多技能或者丰富自己的知识储备,欢迎关注创新互联行业资讯频道。


当前标题:怎样进行Python内置函数与numPy运算速度对比-创新互联
文章路径:http://scyanting.com/article/ccdgdd.html