本篇文章为大家展示了怎样进行Python内置函数与numPy运算速度对比，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

创新互联建站专注于企业成都全网营销推广、网站重做改版、武定网站定制设计、自适应品牌网站建设、H5响应式网站、商城系统网站开发、集团公司官网建设、外贸网站制作、高端网站制作、响应式网页设计等建站业务，价格优惠性价比高，为武定等各大城市提供网站开发制作服务。

Python自己带了几个函数，主要是sum,max,min，同时numPy中也有几个类似的函数，今天对比了一下几个函数的运算速度，发现了还是numpy的array计算速度最快。

思路，通过产生1万个随机数，对其用四种方法求和，以及求较大值，求均值的方式与求和相同，求最小值的方式与求较大值也类似，故只测了求和与较大值两项。

import random
import time
import numpy as np
from pandas import Series
a=[]
for i in range(100000000):
    a.append(random.random())
t1=time.time()
sum1=sum(a) #直接用内置函数求
t2=time.time()
sum2=np.sum(a)#用numpy直接求
t3=time.time()

b=np.array(a)
t4=time.time()
sum3=np.sum(b)#用numpy转换为array后求
t5=time.time()

c=Series(a)
t6=time.time()
sum4=c.sum()#用pandas的Series对象求
t7=time.time()
print t2-t1,t3-t2,t5-t4,t7-t6

最后的结果分别为# sum 1.60611581802       9.87746500969    0.223296165466   1.66015696526

可以看出，以array为对象的numpy计算方式最快，而以numpy直接计算最慢，内置函数速度排第二。

求较大值

import random
import time
import numpy as np
from pandas import Series
a=[]
for i in range(100000000):
    a.append(random.random())
t1=time.time()
sum1=max(a)#直接用内置函数求
t2=time.time()
sum2=np.max(a)#用numpy直接求
t3=time.time()
b=np.array(a)
t4=time.time()
sum3=np.max(b)#用numpy转换为array后求
t5=time.time()
c=Series(a)
t6=time.time()
sum4=c.max()#用pandas的Series对象求
t7=time.time()
print t2-t1,t3-t2,t5-t4,t7-t6

结果为：
# max 2.81509399414    9.83987283707   0.219717025757    1.62969207764
结果依然是以array为计算对象的numpy最快。

综上，如果考虑运算速度，应该先将对象转为array，再用numpy进行计算，可获得最快的计算速度。

上述内容就是怎样进行Python内置函数与numPy运算速度对比，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联行业资讯频道。

网站栏目：怎样进行Python内置函数与numPy运算速度对比-创新互联
转载注明：http://chengdu.cdxwcx.cn/article/ccdgdd.html