原文：
www.kdnuggets.com/speeding-up-your-python-code-with-numpy
NumPy 是一个常用于数学和统计应用的 Python 包。然而，有些人仍然不知道 NumPy 可以帮助加速我们的 Python 代码执行。
1. 谷歌网络安全证书 - 快速进入网络安全领域的职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你所在组织的 IT 工作
NumPy 能够加速 Python 代码执行的原因有几个，包括：
-
NumPy 在循环中使用 C 代码而不是 Python
-
更好的 CPU 缓存过程
-
数学运算中的高效算法
-
能够使用并行操作
-
在大数据集和复杂计算中内存高效
出于多种原因，NumPy 在提高 Python 代码执行效率方面非常有效。本教程将展示 NumPy 如何加速代码处理的例子。让我们来看看。
第一个例子比较了 Python 列表和 NumPy 数组的数值运算，它们获取具有预期值结果的对象。
例如，我们希望从两个相加的列表中得到一个数字列表，所以我们执行了向量化操作。我们可以用以下代码进行实验：
import numpy as np
import time
sample = 1000000
list_1 = range(sample)
list_2 = range(sample)
start_time = time.time()
result = [(x + y) for x, y in zip(list_1, list_2)]
print("Time taken using Python lists:", time.time() - start_time)
array_1 = np.arange(sample)
array_2 = np.arange(sample)
start_time = time.time()
result = array_1 + array_2
print("Time taken using NumPy arrays:", time.time() - start_time)Output>>
Time taken using Python lists: 0.18960118293762207
Time taken using NumPy arrays: 0.02495265007019043正如你在上面的输出中看到的，NumPy 数组的执行速度比 Python 列表要快，从而获得相同的结果。
在整个例子中，你会发现 NumPy 的执行速度更快。让我们看看是否要进行聚合统计分析。
array = np.arange(1000000)
start_time = time.time()
sum_rst = np.sum(array)
mean_rst = np.mean(array)
print("Time taken for aggregation functions:", time.time() - start_time)Output>>
Time taken for aggregation functions: 0.0029935836791992188NumPy 可以非常快速地处理聚合函数。如果我们与 Python 执行进行比较，可以看到执行时间的差异。
list_1 = list(range(1000000))
start_time = time.time()
sum_rst = sum(list_1)
mean_rst = sum(list_1) / len(list_1)
print("Time taken for aggregation functions (Python):", time.time() - start_time)Output>>
Time taken for aggregation functions (Python): 0.09979510307312012在相同结果下，Python 的内置函数会比 NumPy 花费更多时间。如果我们有更大的数据集，Python 完成这些操作的时间会比 NumPy 长得多。
另一个例子是当我们尝试进行原地操作时，我们可以看到 NumPy 会比 Python 示例快得多。
array = np.arange(1000000)
start_time = time.time()
array += 1
print("Time taken for in-place operation:", time.time() - start_time)list_1 = list(range(1000000))
start_time = time.time()
for i in range(len(list_1)):
list_1[i] += 1
print("Time taken for in-place list operation:", time.time() - start_time)Output>>
Time taken for in-place operation: 0.0010089874267578125
Time taken for in-place list operation: 0.1937870979309082例子的关键点在于，如果你有机会使用 NumPy，那么效果会更好，因为处理速度会更快。
我们可以尝试更复杂的实现，使用矩阵乘法来观察 NumPy 相比于 Python 的速度。
def python_matrix_multiply(A, B):
result = [[0 for _ in range(len(B[0]))] for _ in range(len(A))]
for i in range(len(A)):
for j in range(len(B[0])):
for k in range(len(B)):
result[i][j] += A[i][k] * B[k][j]
return result
def numpy_matrix_multiply(A, B):
return np.dot(A, B)
n = 200
A = [[np.random.rand() for _ in range(n)] for _ in range(n)]
B = [[np.random.rand() for _ in range(n)] for _ in range(n)]
A_np = np.array(A)
B_np = np.array(B)
start_time = time.time()
python_result = python_matrix_multiply(A, B)
print("Time taken for Python matrix multiplication:", time.time() - start_time)
start_time = time.time()
numpy_result = numpy_matrix_multiply(A_np, B_np)
print("Time taken for NumPy matrix multiplication:", time.time() - start_time)Output>>
Time taken for Python matrix multiplication: 1.8010151386260986
Time taken for NumPy matrix multiplication: 0.008051872253417969如你所见，NumPy 在更复杂的活动中也更快，比如使用标准 Python 代码的矩阵乘法。
我们可以尝试更多的例子，但 NumPy 应该比 Python 内置函数的执行时间更快。
NumPy 是一个强大的数学和数值处理包。与标准 Python 内置函数相比，NumPy 的执行时间会更快。这就是为什么，如果适用，尝试使用 NumPy 来加速我们的 Python 代码。
Cornellius Yudha Wijaya**** 是一名数据科学助理经理和数据撰稿人。在 Allianz Indonesia 全职工作期间，他喜欢通过社交媒体和写作分享 Python 和数据技巧。Cornellius 涉及各种 AI 和机器学习主题的写作。