numpy sum,numpy与python
首先要知道np.sum是用C语言写的向量计算，应用场景是对大规模numpy数组求和。本文想说的是numpy.sum在对较小的numpy数组求和时是否也会有不错的表现？
代码：
将numpy作为np导入
导入时间
data_0=[]
data_1=[]
for _ in范围(1000000):
tmp=np.random.randint(100，size=(6，))
data_0.append(tmp)
data_1.append(tmp.tolist())
a_time=time.time()
对于data_0中的d:
x=np.sum(d)
b_time=time.time()
打印(b_time-a_time)
a_time=time.time()
对于data_1中的a、b、c、d、e、f:
x=a b c d e f
b_time=time.time()
打印(b_time-a_time)
从上面的代码我们可以知道，第一个操作是使用numpy.sum对长度为6的numpy数组求和；第二个操作是使用python的原生加法操作。
操作结果：
结果分析：
从上面的结果可以看出，在对小规模数组求和时，numpy.sum求和的性能没有python原生计算高，而且这个差距还是很大的，上面的结果相差10倍以上。由此可知，在对小规模数组求和时，python原生加法运算的性能优于numpy.sum
========================================
numpy.sum的性能只有对大规模数组求和才能得到很好的体现。因此，我们添加了另一个测试来对数组长度为10，000的数组求和。
代码：
将numpy作为np导入
导入时间
data_0=[]
data_1=[]
for _ in范围(100000):
tmp=np.random.randint(100，size=(10000，))
data_0.append(tmp)
data_1.append(tmp.tolist())
a_time=time.time()
对于data_0中的d:
x=np.sum(d)
b_time=time.time()
打印(b_time-a_time)
a_time=time.time()
对于data_1中的数据：
s=0
对于数据中的d:
s=d
b_time=time.time()
打印(b_time-a_time)
运行结果：
结果分析：
通过上面的测试我们可以知道，numpy.sum在对大小为10000的数组求和时，性能是python native的63倍；另一方面，当对长度为6的数组求和时，python的本机性能是numpy.sum的20倍。这个结果进一步证明了numpy.sum只适合大规模数组求和，否则性能会比python native差。
=======================================
转载请联系作者授权，否则将追究法律责任。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。