将Python对象存储在Python列表与固定长度的Numpy数组中

将Python对象存储在Python列表与固定长度的Numpy数组中

不要在numpy中使用对象数组进行此类 *** 作。

它们破坏了numpy数组的基本目的，尽管它们在少数情况下很有用，但它们几乎总是一个糟糕的选择。

是的，在python中访问numpy数组的单个元素或在python中访问numpy数组要比使用等效 *** 作慢

list

。（这就是为什么你不应该做这样的事情

y= [item * 2 for item in x]

的时候

x

是一个numpy的阵列。）

Numpy对象数组的内存开销比列表要低一些，但是如果要存储这么多的python对象，则首先会遇到其他内存问题。

Numpy首先是一个存储效率高的多维数组容器，用于存储统一的数值数据。如果要在numpy数组中保存任意对象，则可能需要一个列表。

---

我的观点是，如果您想有效地使用numpy，则可能需要重新考虑如何构造事物。

而不是将每个对象实例存储在numpy数组中，而是将 数值
数据存储在numpy数组中，并且如果需要为每个行/列/任何对象使用单独的对象，请在每个实例中将索引存储到该数组中。

这样，您可以快速对数值数组进行 *** 作（即使用numpy而不是列表推导）。

作为我正在谈论的快速示例，这是一个不使用numpy的简单示例：

from random import randomclass PointSet(object):    def __init__(self, numpoints):        self.points = [Point(random(), random()) for _ in xrange(numpoints)]    def update(self):        for point in self.points: point.x += random() - 0.5 point.y += random() - 0.5class Point(object):    def __init__(self, x, y):        self.x = x        self.y = ypoints = PointSet(100000)point = points.points[10]for _ in xrange(1000):    points.update()    print 'Position of one point out of 100000:', point.x, point.y

还有一个使用numpy数组的类似示例：

import numpy as npclass PointSet(object):    def __init__(self, numpoints):        self.coords = np.random.random((numpoints, 2))        self.points = [Point(i, self.coords) for i in xrange(numpoints)]    def update(self):        """Update along a random walk."""        # The "+=" is crucial here... We have to update "coords" in-place, in        # this case.         self.coords += np.random.random(self.coords.shape) - 0.5class Point(object):    def __init__(self, i, coords):        self.i = i        self.coords = coords    @property    def x(self):        return self.coords[self.i,0]    @property    def y(self):        return self.coords[self.i,1]points = PointSet(100000)point = points.points[10]for _ in xrange(1000):    points.update()    print 'Position of one point out of 100000:', point.x, point.y

还有其他方法可以做到这一点（例如，您可能希望避免在每个numpy数组中存储对 特定 引用的引用

point

），但是我希望这是一个有用的示例。

注意它们运行速度的差异。在我的机器上，numpy版本与纯python版本相差5秒，而纯Python版本相差60秒。