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。
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，请关注编程网行业资讯频道。
