在python中numpy.sum的性能好不好

今天小編給大家分享一下在python中numpy.sum的性能好不好的相關知識點，內容詳細，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

首先我們應該知道np.sum是用C語言寫的矢量計算，應用場景為規模較大的numpy數組求和。

代碼：

import numpy as np
import time

data_0 = []
data_1 = []
for _ in range(1000000):
    tmp = np.random.randint(100, size=(6,))
    data_0.append(tmp)
    data_1.append(tmp.tolist())


a_time = time.time()
for d in data_0:
    x=np.sum(d)
b_time = time.time()
print(b_time-a_time)


a_time = time.time()
for a,b,c,d,e,f in data_1:
    x=a+b+c+d+e+f
b_time = time.time()
print(b_time-a_time)

從上面的代碼中我們可以知道，第一個運算是使用numpy.sum對長度為6的numpy數組求和；第二個運算是使用python原生的加和運算。

運算結果：

結果分析：

從上面的結果可以看到，在對小規模數組求和時，numpy.sum求和計算的性能是沒有python原生計算性能高的，而且這個差距還很大，在上面的結果中相差了10多倍。由此我們可以知道，在對小規模數組求和時，使用python原生加和運算的性能要優于numpy.sum的。

========================================

numpy.sum的性能只有對較大規模數組求和才有很好體現，為此我們再加一個測試，對數組長度為10000的數組求和。

代碼：

import numpy as np
import time

data_0 = []
data_1 = []
for _ in range(100000):
    tmp = np.random.randint(100, size=(10000,))
    data_0.append(tmp)
    data_1.append(tmp.tolist())


a_time = time.time()
for d in data_0:
    x=np.sum(d)
b_time = time.time()
print(b_time-a_time)


a_time = time.time()
for data in data_1:
    s = 0
    for d in data:
        s += d 
b_time = time.time()
print(b_time-a_time)

運行結果：

結果分析：

通過上面的測試，可以知道在對規模為10000的數組求和時，numpy.sum的性能是python原生的63倍；而在上面對長度為6的數組求和時，python原生的性能是numpy.sum的20倍。這個結果更加證明了numpy.sum只適合對大規模數組求和的情況，否則它的性能會原差于python原生。

以上就是“在python中numpy.sum的性能好不好”這篇文章的所有內容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會為大家更新不同的知識，如果還想學習更多的知識，請關注億速云行業資訊頻道。