Numpy 数组与 Python 数组 [重复]

Question

这个问题在这里已经有了答案：

python.array 与 numpy.array （4 个回答）

去年关闭。

我注意到 Python 中数组操作的事实上的标准是通过优秀的numpy库。 但是，我知道 Python 标准库有一个array模块，在我看来它与 Numpy 有类似的用例。

是否有任何实际的实际示例，其中array优于numpy或只是普通list ？

从我幼稚的解释来看， array只是同构数据的内存高效容器，但没有提供提高计算效率的方法。

---

编辑

出于好奇，我在 Github 和import array搜索了 Python 命中 186'721 个计数，而import numpy命中了 8'062'678 个计数。

但是，我找不到使用array的流行存储库。

Answer 1

为了理解numpy和array之间的区别，我进行了一些更多的定量测试。

我发现的是，我的系统（Ubuntu的18.04，Python3）， array似乎在产生从大阵要快两倍range相比，发电机numpy （虽然numpy的专用np.arange()似乎是快得多——实际上太快了，也许它在测试期间缓存了一些东西），但比使用list慢两倍。

然而，相当令人惊讶的是， array对象似乎比numpy对象更大。 相反， list对象大约比array对象大 8-13%（这显然会随着单个项目的大小而变化）。 与list相比， array提供了一种控制数字对象大小的方法。

因此，也许array的唯一合理用例实际上是当numpy不可用时。

为了完整起见，这是我用于测试的代码：

import numpy as np
import array
import sys

num = int(1e6)
num_i = 100
x = np.logspace(1, int(np.log10(num)), num_i).astype(int)

%timeit list(range(num))
# 10 loops, best of 3: 32.8 ms per loop

%timeit array.array('l', range(num))
# 10 loops, best of 3: 86.3 ms per loop

%timeit np.array(range(num), dtype=np.int64)
# 10 loops, best of 3: 180 ms per loop

%timeit np.arange(num, dtype=np.int64)
# 1000 loops, best of 3: 809 µs per loop


y_list = np.array([sys.getsizeof(list(range(x_i))) for x_i in x])
y_array = np.array([sys.getsizeof(array.array('l', range(x_i))) for x_i in x])
y_np = np.array([sys.getsizeof(np.array(range(x_i), dtype=np.int64)) for x_i in x])

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))
plt.plot(x, y_list, label='list')
plt.plot(x, y_array, label='array')
plt.plot(x, y_np, label='numpy')
plt.legend()
plt.show()

Answer 2

是的，如果您不希望代码中存在其他依赖项。

Answer 3

您是指 2018 年还是 2002 年的真实世界示例？ NumPy 最初是作为 Python 的扩展，而不是核心库的一部分。 所以这就是为什么它是这样的，而不是因为任何性能权衡。

https://scipy.github.io/old-wiki/pages/History_of_SciPy.html

您似乎在问一个更一般问题的特定版本。 也许如果您更广泛地考虑它，您会发现您的问题可能不是很有用。 存在特定模块以提供核心语言中不可用的功能。 如果它们更优化，具有更多功能，或者即使它们被使用得更多，也就不足为奇了。

这并不意味着您必须使用它们，将它们留在里面也不是（很多）问题。

我想我不明白您为什么要问这个问题，这将有助于我们尝试为您提供更好的答案。