01 - 超级高效的 Numpy（上）
本帖最后由 不二如是 于 2020-2-9 23:40 编辑上一讲我们搭建完环境，现在来体验下 Numpy 的高效。
继续用我们的列表表达式快速生成，a 和 b 两个列表：
a 是 0 到 9 共 10 个自然数，b 是 1 到 10 共 10 个自然数。
若想让两个列表对应项相加，直接：
嗯？？怎么变成拼接了...
我们可以采取最原始的办法，新建一个空列表 c 。
通过 append 方法，在循环中将 a 和 b 每个位置求和插入其中。
代码实现：
c = []
for i in range(len(a)):
c.append(a + b)
print(c)
然后在 jupyter 中执行：
没问题，结果是我们想要的。
既然用了 Numpy，我就可以直接这么写：
np.array(a) + np.array(b)
来一起看结果：
当然就这样，都是一瞬间出结果，看不出来高效不高效问题。
怎么办？
用时间快慢来衡量，例如这段代码：
**** Hidden Message *****
该段代码常用来统计运行时间，time.perf_counter() 会返回系统运行时间。
通过 time.sleep(1) 人为暂停 1 秒，来看运行结果：
这样我们只要将 time.sleep(1) 换为我们的函数块，通过对比时间就能看出效率高低。
两个方法也有，为了更清楚的看出效率，将上面的相加算法改为：
对应项求平方，然后再相加。
修改第一个循环代码改为：
c = []
for i in range(len(a)):
c.append(a**2 + b**2)
print(c)
带入计时代码中，运行：
修改 numpy 方法代码：
np.array(a)**2 + np.array(b)**2
带入计时代码中，运行：
想一想如果千万的货币交易，1 位的变化，那也是很多钱哦～
下一讲我们用更多代码来感受 Numpy 的高效！
如果有收获，别忘了评分{:10_281:} ：
http://xxx.fishc.com/forum/201709/19/094516hku92k2g4kefz8ms.gif
如果想看更多，请订阅 淘专辑（传送门）（不喜欢更要订阅{:10_297:} ） {:10_256:}{:10_256:} zltzlt 发表于 2020-2-9 21:17
要不要这么快{:10_278:} zltzlt 发表于 2020-2-9 21:51
这段代码在 Python 3.8 根本无法运行，报错：
AttributeError: module 'time' has no attribute 'cl ...
刷新页面 不二如是 发表于 2020-2-9 21:52
刷新页面
好吧{:10_250:} 学习学习{:10_257:} numpy还能这样？ 学习 膜拜 呵呵，@不二如是 终于来讲 Python 啦~ _2_ 发表于 2020-2-11 14:07
呵呵，@不二如是 终于来讲 Python 啦~
{:10_278:}主要是 Nnmpy 看看
看看 不二如是 发表于 2020-2-11 14:28
主要是 Nnmpy
难道导入 numpy 的时间不用计算？ 学习一下 Numpy 好厉害的 哦，学习 学习中 学习一下{:10_257:} 骚操作。
页:
[1]
2