对比

通过⼀段代码运⾏来体会ndarray与Python原⽣list运算效率对⽐。

import random
import numpy as np
import time

# 创建包含随机数的列表
a = []
for i in range(1000000):  # 我减小了迭代次数以避免内存问题
    a.append(random.randint(1, 100))  # 生成1到100之间的随机数

# 使用Python内置的sum函数计算列表的总和
start_time = time.time()
sum1 = sum(a)
end_time = time.time()
execution_time = end_time - start_time
print(f"Python list求和执行时间: {execution_time} 秒")

# 将列表转换为NumPy数组
b = np.array(a)

# 使用NumPy的sum函数计算数组的总和
start_time = time.time()
sum2 = np.sum(b)  # 使用np.sum而不是内置的sum
end_time = time.time()
execution_time = end_time - start_time
print(f"NumPy数组求和执行时间: {execution_time} 秒")

 从示例上看numpy比原生list要快，其内存模型对比：

从图中我们可以看出ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。

ndarray的优势【掌握】
　　内存块风格
　　　　list -- 分离式存储,存储内容多样化
　　　　ndarray -- 一体式存储,存储类型必须一样
　　ndarray支持并行化运算（向量化运算）
　　ndarray底层是用C语言写的,效率更高,释放了GIL

总结

1. 高效的数组计算：NumPy的ndarray被设计用于高效的数值计算。它们可以比Python的内建数据结构快很多倍，尤其是在进行大规模数据操作时。

import numpy as np

# 创建两个大型数组
a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
b = np.array([10, 9, 8, 7, 6, 5, 4, 3, 2, 1])

# 数组加法
c = a + b
print(c)

 2. 内存效率：ndarray在存储和处理数据时非常节省内存。数组中的元素使用相同的数据类型(具有固定大小)，这意味着它们在内存中紧密排列，这种存储方式比Python的列表等数据结构更为高效。

3. 矢量化操作：NumPy允许你对ndarray执行矢量化操作，而不是使用循环。例如，你可以一次性对整个数组进行加法或乘法等操作，这样可以显著提高代码的性能和可读性。

 4. 广播能力：NumPy的广播规则允许执行不同形状数组之间的算术运算，这在纯Python操作中是无法做到的。

 5. 集成C/C++/Fortran代码的能力：NumPy可以很容易地与C、C++或Fortran等语言编写的代码集成。这意味着如果算法不能通过NumPy本身高效实现，可以用这些语言编写，然后在Python中调用。

6. 丰富的函数库：NumPy提供了大量的数学函数用于快速操作ndarray，包括数学运算、逻辑运算、形状操作、排序、选择、I/O操作、离散傅里叶变换、基本线性代数、基本统计运算等。

 7. 灵活的索引和切片：ndarray支持多种索引方式，包括基本的索引、切片、高级索引等，这使得数据操作更加灵活和强大。

 8. 多维数组处理能力：NumPy能够处理任意维度的数组，而不仅仅是1D或2D数组，这使其在科学计算中特别有用。

9. 与其他Python科学计算库的集成：NumPy是SciPy、Pandas、Matplotlib、scikit-learn等流行科学计算库的基础，这些库依赖于NumPy的数组以及其它功能。

综上所述，ndarray的这些优势使其在科学计算、数据分析、机器学习等领域中发挥着重要作用。