内置范围或numpy.arange：这是更有效？(built-in range or numpy.a

当使用范围表达式迭代一个大阵，我应该使用Python内置的range函数，或numpy的的arange ，以获得最佳的性能？

到目前为止，我的理由：

arange可能会采用本地实现，并且可能会更快，因此， 在另一方面， arange返回一个全阵列，其占用的内存，因此有可能是一个开销。 Python 3中的范围表达式是一个发生器，它不会在存储器保存所有的值。

Answer 1:

对于大型阵列numpy的应该是更快的解决方案。

在numpy的，你应该使用矢量计算，组合ufuncs和索引来解决你的问题，因为它运行在C速度。 与此相比遍历numpy的阵列是低效的。

（喜欢的东西，你可以做的是遍历与创建索引阵列上最糟糕的事情range或np.arange在你的问题的第一句话暗示，但我不知道，如果你真的这样想。）

import numpy as np
import sys

sys.version
# out: '2.7.3rc2 (default, Mar 22 2012, 04:35:15) \n[GCC 4.6.3]'
np.version.version
# out: '1.6.2'

size = int(1E6)

%timeit for x in range(size): x ** 2
# out: 10 loops, best of 3: 136 ms per loop

%timeit for x in xrange(size): x ** 2
# out: 10 loops, best of 3: 88.9 ms per loop

# avoid this
%timeit for x in np.arange(size): x ** 2
#out: 1 loops, best of 3: 1.16 s per loop

# use this
%timeit np.arange(size) ** 2
#out: 100 loops, best of 3: 19.5 ms per loop

因此，对于这种情况下numpy的比使用快4倍xrange如果你这样做是正确的。 根据您的问题numpy的速度会更快比4或5倍加速。

对这些问题的答案这个问题说明了使用numpy的阵列，而不是蟒蛇列出了大型数据集的一些有利条件。

Answer 2:

首先，作为写@bmu， 你应该使用矢量计算，ufuncs和索引的组合 。 确实有一些情况下，需要明确的循环，但这些都是真难得。

如果需要显式循环，与Python 2.6和2.7，你应该使用的xrange（见下文）。 从你说的话，在Python 3， 范围是一样的xrange（返回发电机）。 因此，也许范围是对你太好。

现在，你应该自己尝试（使用timeit： - 这里的IPython的“神奇功能”）：

%timeit for i in range(1000000): pass
[out] 10 loops, best of 3: 63.6 ms per loop

%timeit for i in np.arange(1000000): pass
[out] 10 loops, best of 3: 158 ms per loop

%timeit for i in xrange(1000000): pass
[out] 10 loops, best of 3: 23.4 ms per loop

再次，如上所述，大部分的时间，它是能够使用numpy的矢量/阵列式（或ufunc等...），其运行速度AC： 快得多 。 这就是我们可以称之为“矢量编程”。 它使程序在年底更容易比C来实现（和更具可读性），但几乎一样快。

文章来源: built-in range or numpy.arange: which is more efficient?