Jakie są zalety NumPy nad zwykłymi listami Pythona?

NumPy jest nie tylko bardziej wydajny, ale także wygodniejszy. Dostajesz za darmo wiele operacji wektorowych i macierzowych, które czasami pozwalają uniknąć niepotrzebnej pracy. I są one również skutecznie realizowane.

Na przykład możesz odczytać swoją kostkę bezpośrednio z pliku do tablicy:

x = numpy.fromfile(file=open("data"), dtype=float).reshape((100, 100, 100))

Suma wzdłuż drugiego wymiaru:

s = x.sum(axis=1)

Znajdź, które komórki są powyżej progu:

(x > 0.5).nonzero()

Usuń każdy parzysty kawałek wzdłuż trzeciego wymiar:

x[:, :, ::2]

Również wiele użytecznych bibliotek działa z tablicami NumPy. Na przykład biblioteki analizy statystycznej i wizualizacji.

Nawet jeśli nie masz problemów z wydajnością, nauka NumPy jest warta wysiłku.

Alex wspomniał o wydajności pamięci, a Roberto o wygodie, i to są dobre punkty. Jeśli chodzi o kilka pomysłów, wspomnę o Prędkości i funkcjonalności .

Funkcjonalność: masz wiele wbudowanych w NumPy, FFTs, sploty, szybkie wyszukiwanie, podstawowe statystyki, algebrę liniową, histogramy itp. I naprawdę, kto może żyć bez FFT?

Speed: Oto test na robienie sumy nad listą i tablicą NumPy, pokazujący, że suma na tablicy NumPy jest 10x szybciej ( w tym teście-przebieg może się różnić).

from numpy import arange
from timeit import Timer

Nelements = 10000
Ntimeits = 10000

x = arange(Nelements)
y = range(Nelements)

t_numpy = Timer("x.sum()", "from __main__ import x")
t_list = Timer("sum(y)", "from __main__ import y")
print("numpy: %.3e" % (t_numpy.timeit(Ntimeits)/Ntimeits,))
print("list:  %.3e" % (t_list.timeit(Ntimeits)/Ntimeits,))

Które na moich systemach (podczas uruchamiania backupu) daje:

numpy: 3.004e-05
list:  5.363e-04

Oto fajna odpowiedź z FAQ na scipy.org strona internetowa :

Jakie zalety oferują tablice NumPy nad (zagnieżdżonymi) listami Pythona?

Listy Pythona są wydajnymi kontenerami ogólnego przeznaczenia. Wspierają (dość) skuteczne wstawianie, usuwanie, dodawanie i łączenie, a składanie list w Pythonie ułatwia ich konstruowanie i manipulować. Mają jednak pewne ograniczenia: nie obsługują "wektoryzowane" operacje takie jak dodawanie i mnożenie elementów, a fakt, że mogą zawierać przedmioty różnego typu oznacza że Python musi przechowywać informacje o typie dla każdego elementu i musi wykonaj kod wysyłający Typ podczas pracy na każdym elemencie. To oznacza to również, że bardzo niewiele operacji listowych może być wykonanych przez wydajne pętle C – każda iteracja wymagałaby kontroli typu i innych Księgowość API Pythona.

Wszystkie podkreśliły prawie wszystkie główne różnice między tablicami numpy i listą Pythona, powiem tylko o nich tutaj:

1. Tablice Numpy mają stały rozmiar podczas tworzenia, w przeciwieństwie do list Pythona (które mogą rosnąć dynamicznie). Zmiana rozmiaru ndarray spowoduje utworzenie nowej tablicy i usunięcie oryginału.

2. Elementy tablicy Numpy muszą być tego samego typu danych (możemy mieć również Typ heterogeniczny, ale to nie pozwoli operacje matematyczne) i tym samym będzie taka sama wielkość w pamięci

3. Tablice Numpy są ułatwione postępy matematyczne i inne rodzaje operacji na dużej liczbie danych. Zazwyczaj takie operacje są wykonywane bardziej efektywnie i z mniejszą ilością kodu niż jest to możliwe przy użyciu Pythonów zbudowanych w sekwencjach