Numpy加速的关键 -- 使用优化的方法

# -*- coding: utf-8 -*-
"""
Created on Sun Oct 23 20:05:57 2016

@author: zang
"""

import timeit

normal_py_sec = timeit.timeit('sum(x*x for x in xrange(1000))', number=10000)
naive_np_sec = timeit.timeit('sum(na*na)', setup="import numpy as np;na=np.arange(1000)",number=10000)
good_np_sec = timeit.timeit('na.dot(na)', setup="import numpy as np;na=np.arange(1000)",number=10000)


print "Normal Python: %f sec" % normal_py_sec
print "Naive Numpy: %f sec" % naive_np_sec
print "Good Numpy: %f sec" % good_np_sec

运行结果：

Normal Python: 0.630046 sec
Naive Numpy: 0.949492 sec
Good Numpy: 0.012041 sec

Naive Numpy只是将数组放入Numpy存储，这时比Python标准列表花的时间还要长，
最快的是使用 np.dot 方法的时候，所以在优化的时候，

要时长考虑将数组元素的循环操作从Python中移到一些高度优化的Numpy或者Scipy**扩展函数**中。