NumPy có nhanh như C++ không?

NumPy là gói cơ bản cho tính toán khoa học trong Python. Nó là một thư viện Python cung cấp đối tượng mảng đa chiều, các đối tượng dẫn xuất khác nhau (chẳng hạn như mảng bị che và ma trận) và một loạt các quy trình cho các thao tác nhanh trên mảng, bao gồm thao tác toán học, logic, hình dạng, sắp xếp, chọn, I/O

Cốt lõi của gói NumPy là đối tượng ndarray. Điều này đóng gói các mảng n chiều của các kiểu dữ liệu đồng nhất, với nhiều thao tác được thực hiện trong mã được biên dịch để thực hiện. Có một số khác biệt quan trọng giữa mảng NumPy và chuỗi Python tiêu chuẩn

• Mảng NumPy có kích thước cố định khi tạo, không giống như danh sách Python (có thể phát triển linh hoạt). Thay đổi kích thước của ndarray sẽ tạo một mảng mới và xóa mảng gốc

• Tất cả các phần tử trong mảng NumPy đều được yêu cầu phải có cùng kiểu dữ liệu và do đó sẽ có cùng kích thước trong bộ nhớ. Sự ngoại lệ. người ta có thể có các mảng đối tượng (Python, bao gồm cả NumPy), do đó cho phép các mảng gồm các phần tử có kích thước khác nhau

• Mảng NumPy tạo điều kiện thuận lợi cho toán học nâng cao và các loại hoạt động khác trên số lượng lớn dữ liệu. Thông thường, các hoạt động như vậy được thực thi hiệu quả hơn và sử dụng ít mã hơn có thể bằng cách sử dụng trình tự dựng sẵn của Python

• Ngày càng có nhiều gói khoa học và toán học dựa trên Python đang sử dụng mảng NumPy; . Nói cách khác, để sử dụng hiệu quả nhiều (thậm chí là hầu hết) phần mềm khoa học/toán học dựa trên Python ngày nay, chỉ biết cách sử dụng các kiểu trình tự dựng sẵn của Python là chưa đủ - người ta cũng cần biết cách sử dụng mảng NumPy

Các điểm về kích thước và tốc độ chuỗi đặc biệt quan trọng trong tính toán khoa học. Ví dụ đơn giản, xét trường hợp nhân từng phần tử trong dãy 1-D với phần tử tương ứng trong dãy khác có cùng độ dài. Nếu dữ liệu được lưu trữ trong hai danh sách Python, a và b, chúng ta có thể lặp lại từng phần tử

c = []
for i in range(len(a)):
    c.append(a[i]*b[i])

Điều này tạo ra câu trả lời đúng, nhưng nếu mỗi a và b chứa hàng triệu con số, chúng ta sẽ phải trả giá cho sự thiếu hiệu quả của vòng lặp trong Python. Chúng ta có thể hoàn thành nhiệm vụ tương tự nhanh hơn nhiều bằng C bằng cách viết (để rõ ràng, chúng ta bỏ qua các khai báo và khởi tạo biến, cấp phát bộ nhớ, v.v. )

for (i = 0; i < rows; i++) {
  c[i] = a[i]*b[i];
}

Điều này giúp tiết kiệm tất cả các chi phí liên quan đến việc diễn giải mã Python và thao tác với các đối tượng Python, nhưng phải trả giá bằng những lợi ích thu được từ việc viết mã bằng Python. Hơn nữa, công việc viết mã yêu cầu tăng theo chiều của dữ liệu của chúng tôi. Ví dụ, trong trường hợp mảng 2 chiều, mã C (được rút gọn như trước) mở rộng thành

for (i = 0; i < rows; i++) {
  for (j = 0; j < columns; j++) {
    c[i][j] = a[i][j]*b[i][j];
  }
}

NumPy mang đến cho chúng ta những điều tốt nhất của cả hai thế giới. thao tác theo từng phần tử là “chế độ mặc định” khi có ndarray, nhưng thao tác theo từng phần tử được thực thi nhanh chóng bằng mã C được biên dịch trước. Trong NumPy

c = a * b

làm những gì các ví dụ trước làm, ở tốc độ gần bằng C, nhưng với mã đơn giản mà chúng tôi mong đợi từ thứ gì đó dựa trên Python. Thật vậy, thành ngữ NumPy thậm chí còn đơn giản hơn. Ví dụ cuối cùng này minh họa hai tính năng của NumPy, là cơ sở tạo nên phần lớn sức mạnh của nó. vector hóa và phát sóng