Numpy数组与Python数组

Question

我注意到，Python中数组操作的事实上的标准是通过出色的numpy库实现的。但是，我知道Python标准库有一个array模块，在我看来，它的使用案例与Numpy类似。

在现实世界中，是否有任何array理想的例子比numpy普通的理想list？

根据我的幼稚解释，array它只是用于存储同类数据的高效内存的容器，但却无法提高计算效率。

---

编辑

出于好奇，我搜索了Github，发现import arrayPython命中186'721，而import numpy命中8'062'678。

但是，我找不到使用的流行存储库array。

Answer 1

要理解之间的区别numpy和array，我跑了几个定量测试。

我发现的是，对于我的系统（Ubuntu 18.04，Python3），array从range生成器生成大型数组的速度似乎是numpy（虽然numpy的专用np.arange()速度要快得多-实际上太快了，并且可能是在测试期间缓存了一些东西），但速度是使用的两倍list。

但是，非常令人惊讶的是，array对象似乎比numpy对应对象大。相反，list对象大约比array对象大8-13％（显然，这将随单个项目的大小而变化）。与相比list，array提供了一种控制数字对象大小的方法。

因此，也许唯一明智的用例array实际上是何时numpy不可用。

为了完整起见，这是我用于测试的代码：

import numpy as np
import array
import sys

num = int(1e6)
num_i = 100
x = np.logspace(1, int(np.log10(num)), num_i).astype(int)

%timeit list(range(num))
# 10 loops, best of 3: 32.8 ms per loop

%timeit array.array('l', range(num))
# 10 loops, best of 3: 86.3 ms per loop

%timeit np.array(range(num), dtype=np.int64)
# 10 loops, best of 3: 180 ms per loop

%timeit np.arange(num, dtype=np.int64)
# 1000 loops, best of 3: 809 µs per loop


y_list = np.array([sys.getsizeof(list(range(x_i))) for x_i in x])
y_array = np.array([sys.getsizeof(array.array('l', range(x_i))) for x_i in x])
y_np = np.array([sys.getsizeof(np.array(range(x_i), dtype=np.int64)) for x_i in x])

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))
plt.plot(x, y_list, label='list')
plt.plot(x, y_array, label='array')
plt.plot(x, y_np, label='numpy')
plt.legend()
plt.show()