数据结构
网络
关系数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法律研究NumPy 和 pandas 哪个更快？
NumPy 和 pandas 都是数据科学和机器学习技术中必不可少的工具。我们知道 pandas 提供了类似 SQL 表的 DataFrame，允许您进行表格数据分析，而 NumPy 则非常高效地运行向量和矩阵运算。
pandas 提供了许多使用 C 或 Cython 优化的函数，这些函数可能比 NumPy 的等效函数（例如从文本文件读取文本）更快。
如果您想执行数学运算，例如点积、计算平均值等等，pandas DataFrame 通常会比 NumPy 数组慢。因为 pandas 正在执行更多操作，例如对齐标签、处理异构数据等等。
示例
import numpy as np
import pandas as pd
array = np.arange(100, 200)
s = pd.Series(array)
print('Series object time: ',end ='')
%timeit -n10 -r2 s.mean()
print('Numpy array time: ',end ='')
%timeit -n10 -r2 np.mean(array)解释
这里我们创建了一个包含 100 个值的 NumPy 数组，范围从 100 到 200，还使用 NumPy 数组创建了一个 pandas Series 对象。
我们使用内置的 IPython 魔术函数 %timeit 来查找每个函数消耗的平均时间。计算每个对象数据的平均值。
-n10 用于设置循环计数，-r2 用于设置运行计数。
输出
Series object: 225 µs ± 83 µs per loop (mean ± std. dev. of 2 runs, 10 loops each) Numpy array: 33.1 µs ± 10.8 µs per loop (mean ± std. dev. of 2 runs, 10 loops each)
我们可以看到 NumPy 数组和 Series 对象计算平均值所花费的时间。
示例
import numpy as np
import pandas as pd
array = np.arange(100, 200)
s = pd.Series(array)
print('Series object time: ',end ='')
%timeit -n10 -r2 s.std()
print('Numpy array time: ',end ='')
%timeit -n10 -r2 np.std(array)解释
在这里，我们验证了 NumPy 数组和 pandas Series 对象计算标准差所花费的时间。我们可以在下面的输出块中看到时间戳。
输出
Series object time: 443 µs ± 26.6 µs per loop (mean ± std. dev. of 2 runs, 10 loops each) Numpy array time: 104 µs ± 12.1 µs per loop (mean ± std. dev. of 2 runs, 10 loops each)
正如我们在上面两个示例中看到的，与 NumPy 对象相比，pandas 消耗的平均时间更多。
创建 pandas DataFrame 所花费的时间大约是创建 NumPy 数组的 6000 倍。Pandas 需要额外的时间来设置索引标签。
更新于： 2021年11月18日
1K+ 浏览量
广告