資訊專欄INFORMATION COLUMN
小編寫(xiě)這篇文章的主要目的，主要是給大家進(jìn)行介紹，關(guān)于NumPy與Python內(nèi)置列表計(jì)算標(biāo)準(zhǔn)差區(qū)別的相關(guān)介紹，希望可以給各位讀者帶來(lái)幫助。
1什么是Numpy
NumPy，是NumericalPython的通稱，用以性能卓越計(jì)算機(jī)的應(yīng)用和數(shù)據(jù)統(tǒng)計(jì)分析的前提包，像數(shù)理科學(xué)專用工具（pandas）和架構(gòu)（Scikit-learn）中都采用上了NumPy這個(gè)包。
NumPy中的基本數(shù)據(jù)結(jié)構(gòu)是ndarray或者N維數(shù)值數(shù)組，在形式上來(lái)說(shuō)，它的結(jié)構(gòu)有點(diǎn)像Python的基礎(chǔ)類型——Python列表。
但本質(zhì)上，這兩者并不同，可以看到一個(gè)簡(jiǎn)單的對(duì)比。
我們創(chuàng)建兩個(gè)列表，當(dāng)我們創(chuàng)建好了之后，可以使用+運(yùn)算符進(jìn)行連接:
list1=[i for i in range(1,11)] list2=[i**2 for i in range(1,11)] print(list1+list2) #[1,2,3,4,5,6,7,8,9,10,1,4,9,16,25,36,49,64,81,100]
列表中元素的處理感覺(jué)像對(duì)象，不是很數(shù)字，不是嗎？如果這些是數(shù)字向量而不是簡(jiǎn)單的數(shù)字列表，您會(huì)期望+運(yùn)算符的行為略有不同，并將第一個(gè)列表中的數(shù)字按元素添加到第二個(gè)列表中的相應(yīng)數(shù)字中。
接下來(lái)看一下Nympy的數(shù)組版本：
import numpy as np arr1=np.array(list1) arr2=np.array(list2) arr1+arr2 #array([2,6,12,20,30,42,56,72,90,110])
通過(guò)numpy的np.array數(shù)組方法實(shí)現(xiàn)了兩個(gè)列表內(nèi)的逐個(gè)值進(jìn)行相加。
我們通過(guò)dir函數(shù)來(lái)看兩者的區(qū)別，先看Python內(nèi)置列表list1的內(nèi)置方法：
再用同樣的方法看一下arr1中的方法：
NumPy數(shù)組對(duì)象還有更多可用的函數(shù)和屬性。特別要注意諸如mean、std和sum之類的方法，因?yàn)樗鼈兦宄乇砻髦攸c(diǎn)關(guān)注使用這種數(shù)組對(duì)象的數(shù)值/統(tǒng)計(jì)計(jì)算。而且這些操作也很快。
2 NumPy數(shù)組和Python內(nèi)置計(jì)算對(duì)比
NumPy的速率要快得多，是因?yàn)樗氖噶炕瓿杉捌渌脑S許多多核心內(nèi)容方法是最早用C語(yǔ)言（根據(jù)CPython框架結(jié)構(gòu)）撰寫(xiě)的。NumPy字符數(shù)組是相同架構(gòu)類別的密集排列的字符數(shù)組。比較之下，Python文件列表是偏向主體的數(shù)組指針，即便這些都是屬于同一個(gè)類別。
因而，大家獲得了參考資料局部性性的好處。
許許多多NumPy實(shí)際操作需要用C語(yǔ)言達(dá)到的，防止了Python當(dāng)中的循環(huán)系統(tǒng)、表針間接地和逐設(shè)計(jì)元素動(dòng)態(tài)類型檢查的項(xiàng)目一般來(lái)說(shuō)生產(chǎn)成本。
尤其是，速率的提升取決于您正在執(zhí)行的操作。對(duì)于數(shù)據(jù)科學(xué)和ML任務(wù)，這是一個(gè)無(wú)價(jià)的優(yōu)勢(shì)，因?yàn)樗乐沽碎L(zhǎng)和多維數(shù)組當(dāng)中的循環(huán)系統(tǒng)。
讓我們使用timing計(jì)時(shí)裝飾器來(lái)說(shuō)明這一點(diǎn)。這是一個(gè)圍繞兩個(gè)函數(shù)std_dev和std_dev_python包裝裝飾器的代碼，分別使用NumPy和本機(jī)Python代碼實(shí)現(xiàn)文件列表/字符數(shù)組的標(biāo)準(zhǔn)差計(jì)算。
3函數(shù)計(jì)算時(shí)間裝飾器
我們可以使用Python裝飾器和functools模塊的wrapping來(lái)寫(xiě)一個(gè)時(shí)間裝飾器timing:
def timing(func):
wraps(func)
def wrap(*args,**kw):
begin_time=time()
result=func(*args,**kw)
end_time=time()
print(f"Function'{func.__name__}'took{end_time-begin_time}seconds to run")
return result
return wrap4標(biāo)準(zhǔn)差計(jì)算公式
然后利用這個(gè)時(shí)間裝飾器來(lái)看Numpy數(shù)組和Python內(nèi)置的列表，然后計(jì)算他們的標(biāo)準(zhǔn)差，
公式如圖：
定義Numpy計(jì)算標(biāo)準(zhǔn)差的函數(shù)std_dev()，numpy模塊中內(nèi)置了標(biāo)準(zhǔn)差公式的函數(shù)a.std()，我們可以直接調(diào)用
列表計(jì)算公式方法需要按照公式一步一步計(jì)算：
先求求出宗和s
然后求出平均值average
計(jì)算每個(gè)數(shù)值與平均值的差的平方，再求和sumsq
再求出sumsq的平均值sumsq_average
得到最終的標(biāo)準(zhǔn)差結(jié)果result
代碼如下：
from functools import wraps
from time import time
import numpy as np
from math import sqrt
def timing(func):
wraps(func)
def wrap(*args,**kw):
begin_time=time()
result=func(*args,**kw)
end_time=time()
#print(f"Function'{func.__name__}'with arguments{args},keywords{kw}took{end_time-begin_time}seconds to run")
print(f"Function'{func.__name__}'took{end_time-begin_time}seconds to run")
return result
return wrap
timing
def std_dev(a):
if isinstance(a,list):
a=np.array(a)
s=a.std()
return s
timing
def std_dev_python(lst):
length=len(lst)
s=sum(lst)
average=s/length
sumsq=0
for i in lst:
sumsq+=(i-average)**2
sumsq_average=sumsq/length
result=sqrt(sumsq_average)
return result運(yùn)行結(jié)果，最終可以看到1000000個(gè)值得標(biāo)準(zhǔn)差的值為288675.13459，而Numpy計(jì)算時(shí)間為0.0080 s，而Python原生計(jì)算方式為0.2499 s：
由此可見(jiàn)，Numpy的方式明顯更快。
NumPy是專門(mén)針對(duì)數(shù)組的操作和運(yùn)算進(jìn)行了設(shè)計(jì)，所以數(shù)組的存儲(chǔ)效率和輸入輸出性能遠(yuǎn)優(yōu)于Python中的嵌套列表，數(shù)組越大，NumPy的優(yōu)勢(shì)就越明顯。
到此為止，小編給大家介紹的這篇文章，就為大家介紹到這里了，希望可以為各位讀者帶來(lái)幫助。
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/127778.html
小編寫(xiě)這篇文章的目的，主要是給大家來(lái)做一個(gè)比較詳細(xì)的解答，解答一下其具體的相關(guān)知識(shí)，還有一些相關(guān)的代碼解析，下面就給大家進(jìn)行一個(gè)比較詳細(xì)的解答?！ ∈裁词荖umpy NumPy，是Numerical Python的簡(jiǎn)稱，用于性能比較高的基礎(chǔ)分析數(shù)據(jù)包，可以對(duì)其進(jìn)行用來(lái)進(jìn)行數(shù)據(jù)分析，像數(shù)學(xué)科學(xué)工具（pandas）和框架（Scikit-learn）中都使用到了NumPy這個(gè)包?！ umPy中的...
摘要：下文統(tǒng)一稱為數(shù)組是存儲(chǔ)單一數(shù)據(jù)類型的多維數(shù)組同語(yǔ)言數(shù)組直接保存數(shù)值而則是能夠?qū)?shù)組進(jìn)行處理的函數(shù)。動(dòng)態(tài)數(shù)據(jù)類型與的數(shù)組和的這些不可變數(shù)據(jù)類型的適用場(chǎng)景等可變數(shù)據(jù)類型適用于需要不斷對(duì)原始數(shù)據(jù)進(jìn)行修改的場(chǎng)景。 showImg(https://segmentfault.com/img/remote/1460000018925396);Numpy,是python中的一個(gè)矩陣計(jì)算包,功能類似ma...
摘要：概述在中存在著通用函數(shù)和聚合去對(duì)數(shù)據(jù)進(jìn)行處理通過(guò)向量進(jìn)行對(duì)數(shù)據(jù)數(shù)組的計(jì)算而這些向量主要依靠一些通用函數(shù)而聚合是對(duì)面對(duì)大量數(shù)據(jù)時(shí)獲取描述性統(tǒng)計(jì)信息的方法。三角函數(shù)提供了大量好用的通用函數(shù)，其中對(duì)于數(shù)據(jù)科學(xué)家最有用的就是三角函數(shù)。 showImg(https://segmentfault.com/img/remote/1460000018925263); 概述 在Numpy中存在著通用函數(shù)...
摘要：一前言權(quán)重法是一種比熵權(quán)法和標(biāo)準(zhǔn)離差法更好的客觀賦權(quán)法它是基于評(píng)價(jià)指標(biāo)的對(duì)比強(qiáng)度和指標(biāo)之間的沖突性來(lái)綜合衡量指標(biāo)的客觀權(quán)重。對(duì)比強(qiáng)度是指同一個(gè)指標(biāo)各個(gè)評(píng)價(jià)方案之間取值差距的大小，以標(biāo)準(zhǔn)差的形式來(lái)表現(xiàn)。 ...
摘要：科學(xué)計(jì)算與數(shù)據(jù)可視化程序設(shè)計(jì)模塊最重要的一個(gè)特點(diǎn)就是其維數(shù)組對(duì)象即該對(duì)象是一個(gè)快速而靈活的大數(shù)據(jù)集容器。兩行及以上為二維表示數(shù)組各維度大小的元組。 科學(xué)計(jì)算與數(shù)據(jù)可視化1 @(程序設(shè)計(jì)) numpy模塊 Numpy最重要的一個(gè)特點(diǎn)就是其N維數(shù)組對(duì)象（即ndarray）該對(duì)象是一個(gè)快速而靈活的大數(shù)據(jù)集容器。 使用Numpy，開(kāi)發(fā)人員可以執(zhí)行以下操作： 1、數(shù)組的算數(shù)和邏輯運(yùn)算。 2、...
閱讀 956·2023-01-14 11:38
閱讀 936·2023-01-14 11:04
閱讀 787·2023-01-14 10:48
閱讀 2157·2023-01-14 10:34
閱讀 1005·2023-01-14 10:24
閱讀 895·2023-01-14 10:18
閱讀 545·2023-01-14 10:09
閱讀 622·2023-01-14 10:02
