1 ndarray VS python-list

•  Numpy 就是 C 的逻辑, 创建存储容器 Array 的时候是寻找内存上的一段连续空间来存放
•  Python 存放的时候则是不连续的区域（只是它用索引将这些区域联系起来了）, 这使得 Python 在索引这个容器里的数据时不是那么有效率

 2 View & Copy

Copy 顾名思义, 会将 Array 中的数据 copy 出来存放在内存中另一个地方

View 不 copy 数据, 而是给源数据加一个窗（视图），从外面看窗户里的数据。具体来说，view 不会新建数据，而只是在源数据上建立索引部分。

 df1经过view 之后得到的df2全部都是 df1的东西, 动 df2的任何地方, df1 都会受到牵扯, 因为他们在内存中的位置是一模一样的, 本质上就是自己。

而 df1经过copy 之后得到的df2则是将df1 copy 了一份, 然后把df2 放在内存中的另外的地方, 这样改变df2,df1 是不会被改变的.

2.1 示例比较view和copy的快慢

 View 只是加了窗，不会复制东西, 速度快!

2.1.1 b=2*b  VS  b*=2

第一个是copy，第二个是view！

b=np.ones(5) print(id(b)) b=b*2 print(id(b)) ''' 1921309681504 1921309680624 ''' b=np.ones(5) print(id(b)) b*=2 print(id(b)) ''' 1921285077472 1921285077472 '''

2.1.2 比较时间

import time t1=time.time() b=np.ones(1000) for i in range(1000):b=b*2 t2=time.time() print(t2-t1) #0.0029931068420410156 b=np.ones(1000) t2=time.time() for i in range(1000):b*=2 t3=time.time() print(t3-t2) #0.001993894577026367

可以看到 view比copy用时要少一些

2.2 示例比较flatten和ravel的快慢

在python包介绍：numpy_UQI-LIUWJ的博客-CSDN博客 中，提到了flatten和ravel

flatten返回一份数据拷贝，对拷贝所做的修改不影响原始数组

ravel和flatten差不多，唯一的区别是，修改会影响原始数组

也就是说，flatten是拷贝，ravel是视图

import time t1=time.time() b=np.ones(1000) for i in range(1000):b.flatten() t2=time.time() print(t2-t1) #0.0009980201721191406b=np.ones(1000) t2=time.time() for i in range(1000):b.ravel() t3=time.time() print(t3-t2) #0.0009784698486328125

也看得出来，ravel（view）的运行速度比flatten（copy）要快一些

2.3 总结 哪些是view哪些是copy

view	copy
切片操作 （切片索引不涉及列表） a[1:2, 3:6] a_view2 = a[:100] a_view3 = a[::2]	切片操作，切片索引涉及列表 a[[1,4,6], [2,4,6]] a[[1,2], :]
	布尔索引 a[a[1,:] != 0, :] a[np.isnan(a[:,0]), :] a[[True, True], [False, True]]
a.ravel()	a.flatten()
b*=2	b=2*b

2.4 涉及列表的索引的加速方法——np.take

如果用 index 来选数据, 像 a[[1,4,6], [2,4,6]], 用 take 在大部分情况中会快一些

np.take(ndarray,index_lst)

import time b=np.ones(100).reshape(10,10) t1=time.time() for i in range(1000):b[[1,2,3,4],[5,6,7,8]] t2=time.time() print(t2-t1) #0.0069811344146728516b=np.ones(100).reshape(10,10) lst=[[1,2,3,4],[5,6,7,8]] t2=time.time() for i in range(1000):np.take(b,lst) t3=time.time() print(t3-t2) #0.005984067916870117

参考内容 对速度有洁癖？快来了解 Numpy 的 View 与 Copy - Numpy 数据怪兽 | 莫烦Python (mofanpy.com)

总结

以上是生活随笔为你收集整理的numpy 笔记 view，copy和numpy的运行速度的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。