今天小编给大家分享一下在python中numpy.sum的性能好不好的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。
专注于为中小企业提供网站建设、网站设计服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业福鼎免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了千余家企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。
首先我们应该知道np.sum是用C语言写的矢量计算，应用场景为规模较大的numpy数组求和。
代码：
import numpy as np import time data_0 = [] data_1 = [] for _ in range(1000000): tmp = np.random.randint(100, size=(6,)) data_0.append(tmp) data_1.append(tmp.tolist()) a_time = time.time() for d in data_0: x=np.sum(d) b_time = time.time() print(b_time-a_time) a_time = time.time() for a,b,c,d,e,f in data_1: x=a+b+c+d+e+f b_time = time.time() print(b_time-a_time)
从上面的代码中我们可以知道，第一个运算是使用numpy.sum对长度为6的numpy数组求和；第二个运算是使用python原生的加和运算。
运算结果：
结果分析：
从上面的结果可以看到，在对小规模数组求和时，numpy.sum求和计算的性能是没有python原生计算性能高的，而且这个差距还很大，在上面的结果中相差了10多倍。由此我们可以知道，在对小规模数组求和时，使用python原生加和运算的性能要优于numpy.sum的。
========================================
numpy.sum的性能只有对较大规模数组求和才有很好体现，为此我们再加一个测试，对数组长度为10000的数组求和。
代码：
import numpy as np import time data_0 = [] data_1 = [] for _ in range(100000): tmp = np.random.randint(100, size=(10000,)) data_0.append(tmp) data_1.append(tmp.tolist()) a_time = time.time() for d in data_0: x=np.sum(d) b_time = time.time() print(b_time-a_time) a_time = time.time() for data in data_1: s = 0 for d in data: s += d b_time = time.time() print(b_time-a_time)
运行结果：
结果分析：
通过上面的测试，可以知道在对规模为10000的数组求和时，numpy.sum的性能是python原生的63倍；而在上面对长度为6的数组求和时，python原生的性能是numpy.sum的20倍。这个结果更加证明了numpy.sum只适合对大规模数组求和的情况，否则它的性能会原差于python原生。
以上就是“在python中numpy.sum的性能好不好”这篇文章的所有内容，感谢各位的阅读！相信大家阅读完这篇文章都有很大的收获，小编每天都会为大家更新不同的知识，如果还想学习更多的知识，请关注创新互联行业资讯频道。
