您似乎误解了NumPy为加快计算速度所做的事情。

使用一些智能的数据保存方式，NumPy的加速并非来自NumPy。或将您的Python代码自动编译为C。

相反，NumPy在C或Fortran中实现了许多有用的算法，numpy.sort()是其中之一。这些函数将np.ndarray理解为输入，并在C / Fortran循环中遍历数据。

如果您想编写快速的NumPy代码，实际上有三种方法可以做到：

• 将代码分解为NumPy运算（乘法，点积，排序，广播等）
• 编写要在C / Fortran中实现的算法，并向接受np.ndarray（在内部是您选择的类型的连续数组）的Python编写绑定。
• 使用Numba通过让Python及时将您的代码编译为机器代码（有一些限制）来加速您的功能

  

  
1. 在此测试用例中，为什么使用numpy数组运行比python列表慢得多？
  

NumPy数组是数字数据的容器。它们包含元数据（数组的类型和形状）和数据本身的内存块。这样，对NumPy数组的元素进行的任何操作都会涉及一些开销。 Python列表针对“普通Python”代码进行了更好的优化：读取和写入列表元素比NumPy数组要快。 NumPy数组的好处来自“整个数组操作”（所谓的数组操作）和编译后的扩展。 C / C ++ / Fortran，Cython或Numba可以访问NumPy数组的内容，而不会产生开销。

  

  
1. 如果我需要的算法尚未在scipy / numpy中实现，并且需要在Python中编写自己的函数   考虑到最佳性能的框架，我应该使用哪种数据类型   使用：numpy数组还是列表？
  

对于数字代码，NumPy数组更好：您可以在已编译的扩展名中访问其内容“àla C”或“àla Fortran”。

  

  
1. 如果我的应用程序面向性能，并且我想编写与内置numpy函数具有同等性能的函数   （例如np.sort），我应该学习/使用哪些工具/框架？
  

有很多。您可以使用NumPy C-API用C语言编写（很复杂，我不建议这样做，但是很高兴知道它存在）。 Cython是一种成熟的“类Python”和“类C”语言，可以轻松，逐步地提高性能。 Numba是一个“及时”解释器：如果您限制代码以直接对NumPy数组进行数值运算，则Numba会即时将代码转换为已编译的等效代码。