Numpy数组与Python数组
我注意到Python中数组操作的事实标准是通过优秀的numpy库实现的。然而，我知道Python Standard Library有一个array模块，在我看来，它的用例与Numpy相似。
是否有任何实际的示例表明，相对于numpy list**?**或普通list**？**，更适合使用
根据我天真的解释，array只是同构数据的内存高效容器，但没有提供提高计算效率的方法。
编辑
出于好奇，我在Github和import array上搜索Python点击了186'721次，而import numpy点击了8'062'678次。
但是，我找不到使用array的流行存储库。
回答 3
Stack Overflow用户
发布于 2018-07-12 03:52:53
为了理解numpy和array之间的区别，我又做了一些定量测试。
我发现，对于我的系统(Ubuntu18.04，Python3)，与numpy相比，array从range生成器生成大型数组的速度似乎快了一倍(尽管numpy的专用np.arange()似乎快得多--实际上太快了，而且可能在测试期间缓存了一些东西)，但比使用list慢两倍。
然而，令人惊讶的是，的，array对象似乎比numpy的对等物要大。相反，list对象大约比array对象大8-13% (显然，这将随单个项目的大小而变化)。与list相比，array提供了一种控制number对象大小的方法。
因此，当numpy不可用时，可能是array唯一合理的用例。
为了完整起见，下面是我用于测试的代码：
import numpy as np
import array
import sys
num = int(1e6)
num_i = 100
x = np.logspace(1, int(np.log10(num)), num_i).astype(int)
%timeit list(range(num))
# 10 loops, best of 3: 32.8 ms per loop
%timeit array.array('l', range(num))
# 10 loops, best of 3: 86.3 ms per loop
%timeit np.array(range(num), dtype=np.int64)
# 10 loops, best of 3: 180 ms per loop
%timeit np.arange(num, dtype=np.int64)
# 1000 loops, best of 3: 809 µs per loop
y_list = np.array([sys.getsizeof(list(range(x_i))) for x_i in x])
y_array = np.array([sys.getsizeof(array.array('l', range(x_i))) for x_i in x])
y_np = np.array([sys.getsizeof(np.array(range(x_i), dtype=np.int64)) for x_i in x])
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 6))
plt.plot(x, y_list, label='list')
plt.plot(x, y_array, label='array')
plt.plot(x, y_np, label='numpy')
plt.legend()
plt.show()
Stack Overflow用户
发布于 2018-07-12 01:01:50
是的，如果你不想在你的代码中有另一个依赖的话。
Stack Overflow用户
发布于 2018-07-12 04:56:50
你的意思是2018年或2002年的真实世界的例子？NumPy最初是作为Python的一个扩展，而不是作为核心库的一部分。因此，这就是为什么它是这样的，而不是因为任何性能权衡。
https://scipy.github.io/old-wiki/pages/History_of_SciPy.html
你似乎在问一个更一般的问题的特定版本。也许如果你从更广泛的角度考虑，你会发现你的问题可能没有多大用处。存在特定的模块来提供核心语言中没有的功能。如果它们更优化，拥有更多功能，或者即使它们被更多地使用，也不会令人惊讶。
这并不意味着你必须使用它们，也不意味着把它们留在里面也不是什么大问题。
我想我不明白你为什么要问这个问题，它会帮助我们给你提供一个更好的答案。
https://stackoverflow.com/questions/51290791
复制相似问题