List和Numpy Array有什么区别
numpy 是python科学计算的一个核心模块。它提供了非常高效的数组对象，以及用于处理这些数组对象的工具。一个numpy数组由许多值组成，所有值的类型是相同的。
python的核心库提供了 list 列表。列表是最常见的python数据类型之一，它可以调整大小并且包含不同类型的元素，非常方便。
那么list和numpy array到底有什么区别？为什么我们需要在大数据处理的时候使用numpy array？答案是性能。
numpy数据结构在以下方面表现更好：
1.内存大小—numpy数据结构占用的内存更小。
2.性能—numpy底层是用c语言实现的，比列表更快。
3.运算方法—内置优化了代数运算等方法。
下面分别讲解在大数据处理时，numpy数组相对于list的优势。
1.内存占用更小
适当地使用numpy数组替代list，你能让你的内存占用降低20倍。
对于python原生的list列表，由于每次新增对象，都需要8个字节来引用新对象，新的对象本身占28个字节（以整数为例）。所以列表 list 的大小可以用以下公式计算：
64 + 8 * len(lst) + len(lst) * 28 字节
而使用numpy，就能减少非常多的空间占用。比如长度为n的numpy整形array，它需要：
96 + len(a) * 8 字节
可见，数组越大，你节省的内存空间越多。假设你的数组有10亿个元素，那么这个内存占用大小的差距会是gb级别的。
2.速度更快、内置计算方法
运行下面这个脚本，同样是生成某个维度的两个数组并相加，你就能看到原生list和numpy array的性能差距。
import timeimport numpy as npsize_of_vec = 1000def pure_python_version(): t1 = time.time() x = range(size_of_vec) y = range(size_of_vec) z = [x[i] + y[i] for i in range(len(x)) ] return time.time() - t1def numpy_version(): t1 = time.time() x = np.arange(size_of_vec) y = np.arange(size_of_vec) z = x + y return time.time() - t1t1 = pure_python_version()t2 = numpy_version()print(t1, t2)print(numpy is in this example + str(t1/t2) + faster!)结果如下：
0.00048732757568359375 0.0002491474151611328numpy is in this example 1.955980861244019 faster!可以看到，numpy比原生数组快1.95倍。
如果你细心的话，还能发现，numpy array可以直接执行加法操作。而原生的数组是做不到这点的，这就是numpy 运算方法的优势。
我们再做几次重复试验，以证明这个性能优势是持久性的。
import numpy as npfrom timeit import timersize_of_vec = 1000x_list = range(size_of_vec)y_list = range(size_of_vec)x = np.arange(size_of_vec)y = np.arange(size_of_vec)def pure_python_version(): z = [x_list[i] + y_list[i] for i in range(len(x_list)) ]def numpy_version(): z = x + ytimer_obj1 = timer(pure_python_version(), from __main__ import pure_python_version)timer_obj2 = timer(numpy_version(), from __main__ import numpy_version)print(timer_obj1.timeit(10))print(timer_obj2.timeit(10)) # runs faster!print(timer_obj1.repeat(repeat=3, number=10))print(timer_obj2.repeat(repeat=3, number=10)) # repeat to prove it!结果如下：
0.00297531206160783770.00014940369874238968[0.002683573868125677, 0.002754641231149435, 0.002803879790008068][6.536301225423813e-05, 2.9387418180704117e-05, 2.9171351343393326e-05]可以看到，第二个输出的时间总是小得多，这就证明了这个性能优势是具有持久性的。
所以，如果你在做一些大数据研究，比如金融数据、股票数据的研究，使用numpy能够节省你不少内存空间，并拥有更强大的性能。
高压陶瓷电容的生产工序
CMMB拓展新业务商业模式
人工智能技术如何推动育种领域的发展
1MORE React运动真无线耳机正式亮相2020年CES展会
EasyESP-1的相关介绍
List和Numpy Array有什么区别
基于TMS320DM355监控服务器设计与实现
长安睿骋CC上手体验评测
光电传感器的工作原理解析
单片机复位电路原理详解 典型复位电路图讲解
华为最佳中端全能机，重新定义了性价比手机
国芯思辰 |霍尔开关芯片AH466（兼容HAL248）可用于无线充电器中
圣诞购机好选择！vivo送礼圣诞，四款手机打出超低优惠价
基于XC2V500-6FG256C和AD9858实现复杂信号模拟的设计
欧玛执行器精度不够怎么办，我们该如何处理
华为Mate 30系列被曝光，首发麒麟990处理器，预装EMUI10系统
超声波传感器和超声波测距原理分析
PLC的MODBUS通信实例分享
关于MRAM演示软件的分析
你准备好使用人工智能名片吗
python的核心库提供了 list 列表。列表是最常见的python数据类型之一，它可以调整大小并且包含不同类型的元素，非常方便。
那么list和numpy array到底有什么区别？为什么我们需要在大数据处理的时候使用numpy array？答案是性能。
numpy数据结构在以下方面表现更好：
1.内存大小—numpy数据结构占用的内存更小。
2.性能—numpy底层是用c语言实现的，比列表更快。
3.运算方法—内置优化了代数运算等方法。
下面分别讲解在大数据处理时，numpy数组相对于list的优势。
1.内存占用更小
适当地使用numpy数组替代list，你能让你的内存占用降低20倍。
对于python原生的list列表，由于每次新增对象，都需要8个字节来引用新对象，新的对象本身占28个字节（以整数为例）。所以列表 list 的大小可以用以下公式计算：
64 + 8 * len(lst) + len(lst) * 28 字节
而使用numpy，就能减少非常多的空间占用。比如长度为n的numpy整形array，它需要：
96 + len(a) * 8 字节
可见，数组越大，你节省的内存空间越多。假设你的数组有10亿个元素，那么这个内存占用大小的差距会是gb级别的。
2.速度更快、内置计算方法
运行下面这个脚本，同样是生成某个维度的两个数组并相加，你就能看到原生list和numpy array的性能差距。
import timeimport numpy as npsize_of_vec = 1000def pure_python_version(): t1 = time.time() x = range(size_of_vec) y = range(size_of_vec) z = [x[i] + y[i] for i in range(len(x)) ] return time.time() - t1def numpy_version(): t1 = time.time() x = np.arange(size_of_vec) y = np.arange(size_of_vec) z = x + y return time.time() - t1t1 = pure_python_version()t2 = numpy_version()print(t1, t2)print(numpy is in this example + str(t1/t2) + faster!)结果如下：
0.00048732757568359375 0.0002491474151611328numpy is in this example 1.955980861244019 faster!可以看到，numpy比原生数组快1.95倍。
如果你细心的话，还能发现，numpy array可以直接执行加法操作。而原生的数组是做不到这点的，这就是numpy 运算方法的优势。
我们再做几次重复试验，以证明这个性能优势是持久性的。
import numpy as npfrom timeit import timersize_of_vec = 1000x_list = range(size_of_vec)y_list = range(size_of_vec)x = np.arange(size_of_vec)y = np.arange(size_of_vec)def pure_python_version(): z = [x_list[i] + y_list[i] for i in range(len(x_list)) ]def numpy_version(): z = x + ytimer_obj1 = timer(pure_python_version(), from __main__ import pure_python_version)timer_obj2 = timer(numpy_version(), from __main__ import numpy_version)print(timer_obj1.timeit(10))print(timer_obj2.timeit(10)) # runs faster!print(timer_obj1.repeat(repeat=3, number=10))print(timer_obj2.repeat(repeat=3, number=10)) # repeat to prove it!结果如下：
0.00297531206160783770.00014940369874238968[0.002683573868125677, 0.002754641231149435, 0.002803879790008068][6.536301225423813e-05, 2.9387418180704117e-05, 2.9171351343393326e-05]可以看到，第二个输出的时间总是小得多，这就证明了这个性能优势是具有持久性的。
所以，如果你在做一些大数据研究，比如金融数据、股票数据的研究，使用numpy能够节省你不少内存空间，并拥有更强大的性能。
高压陶瓷电容的生产工序
CMMB拓展新业务商业模式
人工智能技术如何推动育种领域的发展
1MORE React运动真无线耳机正式亮相2020年CES展会
EasyESP-1的相关介绍
List和Numpy Array有什么区别
基于TMS320DM355监控服务器设计与实现
长安睿骋CC上手体验评测
光电传感器的工作原理解析
单片机复位电路原理详解 典型复位电路图讲解
华为最佳中端全能机，重新定义了性价比手机
国芯思辰 |霍尔开关芯片AH466（兼容HAL248）可用于无线充电器中
圣诞购机好选择！vivo送礼圣诞，四款手机打出超低优惠价
基于XC2V500-6FG256C和AD9858实现复杂信号模拟的设计
欧玛执行器精度不够怎么办，我们该如何处理
华为Mate 30系列被曝光，首发麒麟990处理器，预装EMUI10系统
超声波传感器和超声波测距原理分析
PLC的MODBUS通信实例分享
关于MRAM演示软件的分析
你准备好使用人工智能名片吗