我刚刚更改了我正在编写的程序，以将我的数据保存为 numpy 数组，因为我遇到了性能问题，并且差异令人难以置信。原来运行需要 30 分钟，现在需要 2.5 秒！
我想知道它是如何做到的。我认为是因为它消除了对 for 循环的需要，但除此之外我被难住了。
【问题讨论】：
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，您将获得locality of reference 的好处。
此外，许多 Numpy 操作是在 C 中实现的，避免了 Python 中循环、指针间接和每个元素的动态类型检查的一般成本。速度提升取决于您正在执行的操作，但几个数量级在数字运算程序中并不少见。
【讨论】：
Numpy 数组与 c 中的“普通”数组极为相似。请注意，每个元素都必须属于同一类型。加速非常好，因为您可以利用预取，并且可以通过索引立即访问数组中的任何元素。
【讨论】：
numpy 数组是专门的数据结构。 这意味着您不仅可以获得高效的内存表示的好处，还可以获得高效的专用实现。
例如如果您要对两个数组求和，则将使用专门的 CPU vector operations 执行加法，而不是在循环中调用 int 加法的 python 实现。
【讨论】：
你仍然有 for 循环，但它们是在 c 中完成的。 Numpy 基于 Atlas，这是一个用于线性代数运算的库。
http://math-atlas.sourceforge.net/
当面临大型计算时，它将使用多种实现运行测试，以找出目前我们计算机上最快的一种。对于一些 numpy 构建，计算可能会在多个 cpu 上并行化。因此，您将在连续内存块上运行高度优化的 c。
【讨论】：
考虑以下代码：
import numpy as np
import time
a = np.random.rand(1000000)
b = np.random.rand(1000000)
tic = time.time()
c = np.dot(a, b)
toc = time.time()
print("Vectorised version: " + str(1000*(toc-tic)) + "ms")
c = 0
tic = time.time()
for i in range(1000000):
c += a[i] * b[i]
toc = time.time()
print("For loop: " + str(1000*(toc-tic)) + "ms")
输出：
Vectorised version: 2.011537551879883ms
For loop: 539.8685932159424ms
这里的 Numpy 速度要快得多，因为它利用了并行性（单指令多数据 (SIMD) 就是这种情况），而传统的 for 循环无法利用它。
【讨论】：
dot。）主要的速度差异是由于编译循环与解释循环。
Numpy 数组作为连续的内存块存储在内存中，而 python 列表作为分散在内存中的小块存储，因此在 numpy 数组中内存访问既容易又快速，而在 python 列表中内存访问既困难又慢。
来源：https://algorithmdotcpp.blogspot.com/2022/01/prove-numpy-is-faster-than-normal-list.html
【讨论】：