1 什么是 Numpy

NumPy，是 Numerical Python 的簡(jiǎn)稱，用于高性能科學(xué)計(jì)算和數(shù)據(jù)分析的基礎(chǔ)包，像數(shù)學(xué)科學(xué)工具（pandas）和框架（Scikit-learn）中都使用到了 NumPy 這個(gè)包。

NumPy 中的基本數(shù)據(jù)結(jié)構(gòu)是ndarray或者 N 維數(shù)值數(shù)組，在形式上來說，它的結(jié)構(gòu)有點(diǎn)像 Python 的基礎(chǔ)類型——Python列表。

但本質(zhì)上，這兩者并不同，可以看到一個(gè)簡(jiǎn)單的對(duì)比。

我們創(chuàng)建兩個(gè)列表，當(dāng)我們創(chuàng)建好了之后，可以使用 +運(yùn)算符進(jìn)行連接:

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]

列表中元素的處理感覺像對(duì)象，不是很數(shù)字，不是嗎？ 如果這些是數(shù)字向量而不是簡(jiǎn)單的數(shù)字列表，您會(huì)期望 + 運(yùn)算符的行為略有不同，并將第一個(gè)列表中的數(shù)字按元素添加到第二個(gè)列表中的相應(yīng)數(shù)字中。

接下來看一下 Nympy 的數(shù)組版本：

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

通過 numpy 的np.array數(shù)組方法實(shí)現(xiàn)了兩個(gè)列表內(nèi)的逐個(gè)值進(jìn)行相加。

我們通過dir 函數(shù)來看兩者的區(qū)別，先看 Python 內(nèi)置列表 list1的內(nèi)置方法：

再用同樣的方法看一下 arr1中的方法：

NumPy 數(shù)組對(duì)象還有更多可用的函數(shù)和屬性。 特別要注意諸如mean、std和sum之類的方法，因?yàn)樗鼈兦宄乇砻髦攸c(diǎn)關(guān)注使用這種數(shù)組對(duì)象的數(shù)值/統(tǒng)計(jì)計(jì)算。 而且這些操作也很快。

2 NumPy 數(shù)組和 Python 內(nèi)置計(jì)算對(duì)比

NumPy 的速度要快得多，因?yàn)樗氖噶炕瘜?shí)現(xiàn)以及它的許多核心例程最初是用 C 語言（基于 CPython 框架）編寫的。 NumPy 數(shù)組是同構(gòu)類型的密集排列的數(shù)組。 相比之下，Python 列表是指向?qū)ο蟮闹羔様?shù)組，即使它們都屬于同一類型。 因此，我們得到了參考局部性的好處。

許多 NumPy 操作是用 C 語言實(shí)現(xiàn)的，避免了 Python 中的循環(huán)、指針間接和逐元素動(dòng)態(tài)類型檢查的一般成本。 特別是，速度的提升取決于您正在執(zhí)行的操作。 對(duì)于數(shù)據(jù)科學(xué)和 ML 任務(wù)，這是一個(gè)無價(jià)的優(yōu)勢(shì)，因?yàn)樗苊饬碎L(zhǎng)和多維數(shù)組中的循環(huán)。

讓我們使用 @timing計(jì)時(shí)裝飾器來說明這一點(diǎn)。 這是一個(gè)圍繞兩個(gè)函數(shù) std_dev和std_dev_python包裝裝飾器的代碼，分別使用 NumPy 和本機(jī) Python 代碼實(shí)現(xiàn)列表/數(shù)組的標(biāo)準(zhǔn)差計(jì)算。

3 函數(shù)計(jì)算時(shí)間裝飾器

我們可以使用 Python 裝飾器和functools模塊的wrapping來寫一個(gè) 時(shí)間裝飾器timing:

def timing(func):
@wraps(func)
def wrap(*args, **kw):
begin_time = time()
result = func(*args, **kw)
end_time = time()
print(f"Function '{func.__name__}' took {end_time-begin_time} seconds to run")
return result
return wrap

4 標(biāo)準(zhǔn)差計(jì)算公式

然后利用這個(gè)時(shí)間裝飾器來看 Numpy 數(shù)組和 Python 內(nèi)置的列表，然后計(jì)算他們的標(biāo)準(zhǔn)差，

公式如圖：

• 定義 Numpy 計(jì)算標(biāo)準(zhǔn)差的函數(shù)std_dev()，numpy 模塊中內(nèi)置了標(biāo)準(zhǔn)差公式的函數(shù) a.std()，我們可以直接調(diào)用
• 列表計(jì)算公式方法需要按照公式一步一步計(jì)算：
• 先求求出宗和s
• 然后求出平均值average
• 計(jì)算每個(gè)數(shù)值與平均值的差的平方，再求和sumsq
• 再求出sumsq 的平均值 sumsq_average
• 得到最終的標(biāo)準(zhǔn)差結(jié)果result

代碼如下：

from functools import wraps
from time import time
import numpy as np
from math import sqrt
def timing(func):
@wraps(func)
def wrap(*args, **kw):
begin_time = time()
result = func(*args, **kw)
end_time = time()
# print(f"Function '{func.__name__}' with arguments {args},keywords {kw} took {end_time-begin_time} seconds to run")
print(f"Function '{func.__name__}' took {end_time-begin_time} seconds to run")
return result
return wrap

@timing
def std_dev(a):
if isinstance(a, list):
a = np.array(a)
s = a.std()
return s

@timing
def std_dev_python(lst):

length = len(lst)
s = sum(lst)
average = s / length
sumsq = 0
for i in lst:
sumsq += (i-average)**2
sumsq_average = sumsq/length
result = sqrt(sumsq_average)
return result

運(yùn)行結(jié)果，最終可以看到 1000000 個(gè)值得標(biāo)準(zhǔn)差的值為 288675.13459，而 Numpy 計(jì)算時(shí)間為 0.0080 s，而 Python 原生計(jì)算方式為 0.2499 s：

由此可見，Numpy 的方式明顯更快。

5 總結(jié)

NumPy 是專門針對(duì)數(shù)組的操作和運(yùn)算進(jìn)行了設(shè)計(jì)，所以數(shù)組的存儲(chǔ)效率和輸入輸出性能遠(yuǎn)優(yōu)于Python中的嵌套列表，數(shù)組越大，NumPy的優(yōu)勢(shì)就越明顯。

到此這篇關(guān)于NumPy 與 Python 內(nèi)置列表計(jì)算標(biāo)準(zhǔn)差區(qū)別詳析的文章就介紹到這了,更多相關(guān)Python 內(nèi)置列表內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論