1. 自加和赋值加法的效率比较
import time
n=100000
start=time.time()
i=1
for j in range(n):
i+=1
print(time.time()-start)
start=time.time()
i=1
for j in range(n):
i=i+1
print(time.time()-start)
0.01636791229248047 0.01322317123413086
结论：自加和每次赋值效率几乎相同，这一点与C语言有区别
2. ufunc方法
数据准备
import numpy as np
def tri_func(x,a=1,b=0):
x=x-int(x)
if x<0.3:
y=x
elif x<0.7:
y=0.3
else:
y=1-x
y=a*y+b
return y
运行效率比较
import time
x=np.linspace(0,5,100000)
start_time=time.time()
y1=[tri_func(i) for i in x]
print(time.time()-start_time)
start_time=time.time()
func1=np.frompyfunc(tri_func,3,1)
y2=func1(x,1,0)
print(time.time()-start_time)
out:
0.12008452415466309
0.06804776191711426
ufunc方法比[for ]效率高
反向排序效率比较
import time
n=5
count=10**n
start=time.time()
nums=[]
for i in range(count):
nums.append(i)
nums.reverse()
print(time.time()-start)
start=time.time()
nums=[]
for i in range(count):
nums.insert(0,i)
print(time.time()-start)
start=time.time()
import numpy as np
nums=np.array([])
for i in range(count):
np.append(nums,i)
a=nums[:-1:]
print(time.time()-start)
start=time.time()
import numpy as np
nums=[]
for i in range(count):
nums.append(i)
num_reverse=np.array(nums)[:-1:]
print(time.time()-start)
out: 0.02801966667175293 2.725426435470581 0.7875568866729736 0.02852034568786621
list.insert速度最慢，2.7秒才运行完 numpy虽然不是最快，但慢在了np.append环节，反转操作并不慢，由于np.append的适用范围更广，所以还是比较有用的
直接在jupyter里插入%%timeit，便可以主动运行上万次并测速，这比MATLAB效率研究方便太多了
生成随机数速度比较
准备：
import numpy as np
from scipy.stats import randint
rv=randint(low=0,high=2)
- numpy
%%timeit a=np.random.randint(low=0,high=2,size=(50,30))7.15 µs ± 768 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
- scipy.stats
%%timeit a=rv.rvs(size=(50,30))1.94 ms ± 58.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
list相关
lst[0], lst[-1], lst[300000] 效率是一样的，既是 lst 很大
插入
- lst.insert(0,i) 比 append 慢很多，并且列表越长，insert越慢
- lst.insert(len(lst)-1,i) 其实 只比 append 慢一点
