NumPy與Python內置列表計算標準差區別是什么

本篇內容介紹了“NumPy與Python內置列表計算標準差區別是什么”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

1 什么是 Numpy

NumPy，是 Numerical Python 的簡稱，用于高性能科學計算和數據分析的基礎包，像數學科學工具（pandas）和框架（Scikit-learn）中都使用到了 NumPy 這個包。

NumPy 中的基本數據結構是ndarray或者 N 維數值數組，在形式上來說，它的結構有點像 Python 的基礎類型——Python列表。

但本質上，這兩者并不同，可以看到一個簡單的對比。

我們創建兩個列表，當我們創建好了之后，可以使用 +運算符進行連接:

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像對象，不是很數字，不是嗎？ 如果這些是數字向量而不是簡單的數字列表，您會期望 + 運算符的行為略有不同，并將第一個列表中的數字按元素添加到第二個列表中的相應數字中。

接下來看一下 Nympy 的數組版本：

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 numpy 的np.array數組方法實現了兩個列表內的逐個值進行相加。

我們通過dir 函數來看兩者的區別，先看 Python 內置列表 list1的內置方法：

再用同樣的方法看一下 arr1中的方法：

NumPy 數組對象還有更多可用的函數和屬性。 特別要注意諸如mean、std和sum之類的方法，因為它們清楚地表明重點關注使用這種數組對象的數值/統計計算。 而且這些操作也很快。

2 NumPy 數組和 Python 內置計算對比

NumPy 的速度要快得多，因為它的矢量化實現以及它的許多核心例程最初是用 C 語言（基于 CPython 框架）編寫的。 NumPy 數組是同構類型的密集排列的數組。 相比之下，Python 列表是指向對象的指針數組，即使它們都屬于同一類型。 因此，我們得到了參考局部性的好處。

許多 NumPy 操作是用 C 語言實現的，避免了 Python 中的循環、指針間接和逐元素動態類型檢查的一般成本。 特別是，速度的提升取決于您正在執行的操作。 對于數據科學和 ML 任務，這是一個無價的優勢，因為它避免了長和多維數組中的循環。

讓我們使用 @timing計時裝飾器來說明這一點。 這是一個圍繞兩個函數 std_dev和std_dev_python包裝裝飾器的代碼，分別使用 NumPy 和本機 Python 代碼實現列表/數組的標準差計算。

3 函數計算時間裝飾器

我們可以使用 Python 裝飾器和functools模塊的wrapping來寫一個 時間裝飾器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 wrap

4 標準差計算公式

然后利用這個時間裝飾器來看 Numpy 數組和 Python 內置的列表，然后計算他們的標準差，

公式如圖：

• 定義 Numpy 計算標準差的函數std_dev()，numpy 模塊中內置了標準差公式的函數 a.std()，我們可以直接調用

• 列表計算公式方法需要按照公式一步一步計算：

• 先求求出宗和s

• 然后求出平均值average

• 計算每個數值與平均值的差的平方，再求和sumsq

• 再求出sumsq 的平均值 sumsq_average

• 得到最終的標準差結果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

運行結果，最終可以看到 1000000 個值得標準差的值為 288675.13459，而 Numpy 計算時間為 0.0080 s，而 Python 原生計算方式為 0.2499 s：

由此可見，Numpy 的方式明顯更快。

“NumPy與Python內置列表計算標準差區別是什么”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！