Python的numpy数组的运算_数组中向量化操作-CSDN博客

文章介绍了numpy数组的向量化操作如何提高代码效率，对比了向量化与纯Python循环的运行时间差异。同时，阐述了numpy的广播机制，允许不同形状的数组进行运算。最后提到了ufunc通用函数，它们对数组元素进行逐个运算，提供高效的计算性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.numpy数组的向量化操作

numpy数组可以使用简单的数组表达式进行多种数据操作任务，而无需使用大量循环语句。这种使用数组表达式替代循环的操作方法，称为向量化。通过向量化，可以一次性地在一个复杂对象上操作，或者将函数应用于一个复杂对象，避免了在对象的单个元素上使用复杂循环语句完成操作任务，达到代码更紧凑，执行速度更快的代码实现效果。

numpy中关于ndarry对象的循环操作是通过高效优化的c代码实现，执行速度远快于纯python。通常，向量化的数组操作比纯python的等价实现在速度上快1~2个数量级。这为实现高效的数值计算奠定了基础。

import numpy as np
import time

a = np.arange(10000, dtype = float)
b = np.arange(10000, 0, -1, dtype = float)

begin = time.time()   #未使用向量化
results = []
for i,j in zip(a,b)
    results.append(i*j)
end=time.time()
print('纯python运行时间:', begin-end)

begin = time.time()  #使用向量化
results = a*b
end = time.time()
print('向量化运行时间:', begin-end)


#纯python运行时间:0.02645111083984375
#向量化运行时间:0.0027115345001220703

运行一下，可以看出，与纯python的循环语句实现相比，使用numpy的数组向量化操作完成同样的功能，运算效率提高了将近10倍。