NumPy 与 Python 内置列表的区别

什么是 Numpy

NumPy，是 Numerical Python 的简称，用于高性能科学计算和数据分析的基础包，像数学科学工具（pandas）和框架（Scikit-learn）中都使用到了 NumPy 这个包。

NumPy 中的基本数据结构是 ndarray 或者 N 维数值数组，在形式上来说，它的结构有点像 Python 的基础类型——Python 列表。

但本质上，这两者并不同，可以看到一个简单的对比。

我们创建两个列表，当我们创建好了之后，可以使用 + 运算符进行连接:

list1 = [i for i in range(1,11)]list2 = [i**2 for i in range(1,11)]print(list1+list2)# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

列表中元素的处理感觉像对象，不是很数字，不是吗？ 如果这些是数字向量而不是简单的数字列表，您会期望 + 运算符的行为略有不同，并将第一个列表中的数字按元素添加到第二个列表中的相应数字中。

接下来看一下 Nympy 的数组版本：

import numpy as nparr1 = np.array(list1)arr2 = np.array(list2)arr1 + arr2# array([  2,   6,  12,  20,  30,  42,  56,  72,  90, 110])

通过 numpy 的 np.array 数组方法实现了两个列表内的逐个值进行相加。

我们通过 dir 函数来看两者的区别，先看 Python 内置列表 list1 的内置方法：

再用同样的方法看一下 arr1 中的方法：

NumPy 数组对象还有更多可用的函数和属性。 特别要注意诸如 mean、std 和 sum 之类的方法，因为它们清楚地表明重点关注使用这种数组对象的数值/统计计算。 而且这些操作也很快。

NumPy 数组和 Python 内置计算对比

NumPy 的速度要快得多，因为它的矢量化实现以及它的许多核心例程最初是用 C 语言（基于 CPython 框架）编写的。 NumPy 数组是同构类型的密集排列的数组。 相比之下，Python 列表是指向对象的指针数组，即使它们都属于同一类型。 因此，我们得到了参考局部性的好处。

许多 NumPy 操作是用 C 语言实现的，避免了 Python 中的循环、指针间接和逐元素动态类型检查的一般成本。 特别是，速度的提升取决于您正在执行的操作。 对于数据科学和 ML 任务，这是一个无价的优势，因为它避免了长和多维数组中的循环。

让我们使用 @timing 计时装饰器来说明这一点。 这是一个围绕两个函数 std_dev 和 std_dev_python 包装装饰器的代码，分别使用 NumPy 和本机 Python 代码实现列表/数组的标准差计算。