怎樣進行Python內置函數與numPy運算速度對比

本篇文章為大家展示了怎樣進行Python內置函數與numPy運算速度對比，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

Python自己帶了幾個函數，主要是sum,max,min，同時numPy中也有幾個類似的函數，今天對比了一下幾個函數的運算速度，發現了還是numpy的array計算速度最快。

思路，通過產生1萬個隨機數，對其用四種方法求和，以及求最大值，求均值的方式與求和相同，求最小值的方式與求最大值也類似，故只測了求和與最大值兩項。

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) #直接用內置函數求
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轉換為array后求
t5=time.time()

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

最后的結果分別為# sum 1.60611581802       9.87746500969    0.223296165466   1.66015696526

可以看出，以array為對象的numpy計算方式最快，而以numpy直接計算最慢，內置函數速度排第二。

求最大值

<pre name="code" class="python">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)#直接用內置函數求
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轉換為array后求
t5=time.time()
c=Series(a)
t6=time.time()
sum4=c.max()#用pandas的Series對象求
t7=time.time()
print t2-t1,t3-t2,t5-t4,t7-t6

結果為：
# max 2.81509399414    9.83987283707   0.219717025757    1.62969207764
結果依然是以array為計算對象的numpy最快。

綜上，如果考慮運算速度，應該先將對象轉為array，再用numpy進行計算，可獲得最快的計算速度。

上述內容就是怎樣進行Python內置函數與numPy運算速度對比，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。