当前位置：极客教程 > Numpy > Numpy教程 > Python Lists VS Numpy Arrays

Python Lists VS Numpy Arrays

Python Lists VS Numpy Arrays

在这里，我们将了解Python List和Python Numpy数组之间的区别。

什么是Numpy数组

NumPy是Python中科学计算的基本包。Numpy数组有助于对大量数据进行高级数学和其他类型的操作。通常情况下，与使用Python的内置序列相比，这种操作的执行效率更高，代码更少。Numpy不是另一种编程语言，而是一个Python扩展模块。它对同质数据的数组提供快速有效的操作。

关于Numpy数组的一些重要观点：

  • 我们可以使用Numpy.array()在python中创建一个N维数组。
  • 数组默认是同质的，这意味着数组内的数据必须是相同的数据类型。(注意你也可以在python中创建一个结构化数组）。
  • 可以进行元素的操作。
  • Numpy数组有各种函数、方法和变量，以方便我们进行矩阵计算。
  • 数组的元素在内存中是连续存储的。例如，一个二维数组的所有行必须有相同数量的列。或者一个三维数组的每张卡片上必须有相同数量的行和列。

Numpy数组的代表

  • 单维Numpy数组
import numpy as np
 
a = np.array([1, 2, 3])
print(a)
Python

输出:

[1 2 3]
Python
  • 多维Numpy数组
import numpy as np
 
a = np.array([(1, 2, 3), (4, 5, 6)])
print(a)
Python

输出:

[[1 2 3]
[4 5 6]]
Python

什么是Python列表

Python 的 list 是一个有序且可改变的集合。在 Python 中，列表是用方括号写的。

关于Python Lists的一些重要观点：

  • 列表可以是同质的或异质的。
  • 在列表中不可能进行元素操作。
  • Python 的列表默认是一维的。但是我们可以创建一个 N 维的列表。但这也将是一个存储另一个 1D 列表的 1D 列表。
  • 列表中的元素在内存中不需要是连续的。

下面是一些例子，通过分析Numpy数组的内存消耗、执行时间比较以及两者所支持的操作，清楚地表明Numpy数组是如何优于Python列表的。

Python列表的代表

这里我们使用[]创建Python列表。

Var = ["Geeks", "for", "Geeks"]
print(Var)
Python

输出:

["Geeks", "for", "Geeks"]
Python

Numpy数组和Python列表的比较

Numpy数组和列表之间的内存消耗

在这个例子中，将创建一个Python列表和一个大小为1000的Numpy数组。将计算每个元素的大小，然后计算两个容器的整体大小，并在内存消耗方面做一个比较。

# importing numpy package
import numpy as np
 
# importing system module
import sys
 
# declaring a list of 1000 elements
S= range(1000)
 
# printing size of each element of the list
print("Size of each element of list in bytes: ",sys.getsizeof(S))
 
# printing size of the whole list
print("Size of the whole list in bytes: ",sys.getsizeof(S)*len(S))
 
# declaring a Numpy array of 1000 elements
D= np.arange(1000)
 
# printing size of each element of the Numpy array
print("Size of each element of the Numpy array in bytes: ",D.itemsize)
 
# printing size of the whole Numpy array
print("Size of the whole Numpy array in bytes: ",D.size*D.itemsize)
Python

输出:

Size of each element of list in bytes:  48
Size of the whole list in bytes:  48000
Size of each element of the Numpy array in bytes:  8
Size of the whole Numpy array in bytes:  8000
Python

Numpy数组和Python列表之间的时间比较

在这个例子中，将创建2个Python列表和2个Numpy数组，每个容器有1000000个元素。将分别对列表和Numpy数组中的元素进行乘法，并分析两个容器执行所需时间的差异，以确定哪一个执行操作所需时间更短。

# importing required packages
import numpy
import time
 
# size of arrays and lists
size = 1000000
 
# declaring lists
list1 = range(size)
list2 = range(size)
 
# declaring arrays
array1 = numpy.arange(size)
array2 = numpy.arange(size)
 
# capturing time before the multiplication of Python lists
initialTime = time.time()
 
# multiplying elements of both the lists and stored in another list
resultantList = [(a * b) for a, b in zip(list1, list2)]
 
# calculating execution time
print("Time taken by Lists to perform multiplication:",
    (time.time() - initialTime),
    "seconds")
 
# capturing time before the multiplication of Numpy arrays
initialTime = time.time()
 
# multiplying elements of both the Numpy arrays and stored in another Numpy array
resultantArray = array1 * array2
 
# calculating execution time
print("Time taken by NumPy Arrays to perform multiplication:",
    (time.time() - initialTime),
    "seconds")
Python

输出:

Time taken by Lists : 0.15030384063720703 seconds
Time taken by NumPy Arrays : 0.005921125411987305 seconds
Python

对Numpy数组和Python Lists的操作效果

在这个例子中，演示了Python list不能进行基本操作的情况。一个Python列表和一个具有相同元素的Numpy数组将被声明，一个整数将被添加到容器的每个元素中，以该整数值递增，而不需要循环语句。将分析这个操作对Numpy数组和Python列表的影响。

# importing Numpy package
import numpy as np
 
# declaring a list
ls =[1, 2, 3]
 
# converting the list into a Numpy array
arr = np.array(ls)
 
try:
    # adding 4 to each element of list
    ls = ls + 4
     
except(TypeError):
    print("Lists don't support list + int")
 
# now on array
try:
    # adding 4 to each element of Numpy array
    arr = arr + 4
 
    # printing the Numpy array
    print("Modified Numpy array: ",arr)
     
except(TypeError):
    print("Numpy arrays don't support list + int")
Python

输出:

Lists don't support list + int
Modified Numpy array: [5 6 7]
Python

总结

使用Numpy数组比Python列表的优势。

  • 消耗的内存更少。
  • 与Python清单相比，速度很快。
  • 使用方便。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Numpy教程

登录

找回密码？

注册