資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法律研究NumPy 和 pandas 哪個更快？
NumPy 和 pandas 都是資料科學和機器學習技術中必不可少的工具。我們知道 pandas 提供了類似 SQL 表的 DataFrame，允許您進行表格資料分析，而 NumPy 則非常高效地執行向量和矩陣運算。
pandas 提供了許多使用 C 或 Cython 最佳化的函式，這些函式可能比 NumPy 的等效函式（例如從文字檔案讀取文字）更快。
如果您想執行數學運算，例如點積、計算平均值等等，pandas DataFrame 通常會比 NumPy 陣列慢。因為 pandas 正在執行更多操作，例如對齊標籤、處理異構資料等等。
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)解釋
這裡我們建立了一個包含 100 個值的 NumPy 陣列，範圍從 100 到 200，還使用 NumPy 陣列建立了一個 pandas Series 物件。
我們使用內建的 IPython 魔術函式 %timeit 來查詢每個函式消耗的平均時間。計算每個物件資料的平均值。
-n10 用於設定迴圈計數，-r2 用於設定執行計數。
輸出
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)
我們可以看到 NumPy 陣列和 Series 物件計算平均值所花費的時間。
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)解釋
在這裡，我們驗證了 NumPy 陣列和 pandas Series 物件計算標準差所花費的時間。我們可以在下面的輸出塊中看到時間戳。
輸出
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)
正如我們在上面兩個示例中看到的，與 NumPy 物件相比，pandas 消耗的平均時間更多。
建立 pandas DataFrame 所花費的時間大約是建立 NumPy 陣列的 6000 倍。Pandas 需要額外的時間來設定索引標籤。
更新於： 2021年11月18日
1K+ 瀏覽量
廣告