Numpy可以提高陣列重複計算的速度

Numpy陣列的運算速度要比python陣列的運算的快很多，其關鍵是利用向量化操作，通常這在Numpy的通用函式（ufun）中實現。

我們先看看python原生實現對一個數組所有元素取倒數操作的時間效率。這裡使用Ipython的魔術方法%timit計算該操作執行的時間：

In [1]:
import numpy as np
np.random.seed(0)

def compute_reciprocals(values):
    output = np.empty(len(values))
    for i in range(len(values)):
        output[i] = 1.0
 
 / values[i]
    return output

big_array = np.random.randint(1, 100, size=10 ** 6)
%timeit compute_reciprocals(big_array)

Out[1]:
1.46 s ± 9.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

以上這種實現方式對於有C語言和Java背景的人來說非常自然，但在python中，這一操作就相當耗時，僅僅是完成百萬次上述操作並存儲結果花了幾秒鐘的時間。事實上，這裡的運算瓶頸並不是運算本身，而是Cpython在每次迴圈時必須做資料型別的檢查和函式的排程。每次進行倒數運算時，python首先檢查物件的型別，並且動態查詢可以使用該資料型別的正確函式。如果我們在編譯程式碼時進行這樣的操作，那麼就能在程式碼執行之前知曉型別的宣告，結果的計算也會更加有效率。

numpy的解決方法

Numpy為很多型別的操作提供了非常方便的、靜態型別的、可編譯程式的藉口，也被稱作向量操作，這種向量方法將迴圈推送至Numpy之下的編譯層，從而取得更快的執行效率。因此，當你看到python指令碼的出現複雜度很高的迴圈時，就應該考慮能否用向量方式替換這個迴圈。

In[2]:%timeit (1.0 / big_array)

Out[2]:
1.46 ms ± 30 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

可以看到，使用向量操作後，對於相同的操作，numpy下執行速度要比python原生方法提升1000倍！