NumPy बनाम Python Speed
Same job को एक list loop और NumPy से time करना दिखाता है कि whole-array maths कितनी तेज़ है।
In this page:
NumPy बनाम Python Speed
Vectorized NumPy code loops को optimized C में push करता है, per-element Python overhead avoid करते हुए। बड़े data पर speed-up commonly 10x से 100x है। आप इसे time module से खुद measure कर सकते हैं।
Note:
Timing results machine से अलग होते हैं, इसलिए raw seconds की बजाय ratios compare करें।
उदाहरण: NumPy vs Python speed
import time
import numpy as np
n = 1_000_000
py_list = list(range(n))
arr = np.arange(n)
t0 = time.perf_counter()
py_sum = sum(x * 2 for x in py_list)
t_list = time.perf_counter() - t0
t0 = time.perf_counter()
np_sum = (arr * 2).sum()
t_np = time.perf_counter() - t0
print("Same answer:", py_sum == np_sum)
print("NumPy faster:", t_np < t_list)
# Output:
# Same answer: True
# NumPy faster: TrueRelated Topics
{# common_mistakes/chapter_summary/browser_support: on Hindi pages the
view already swaps in the hi_ translation fields (or blanks these
out if untranslated), so this renders correctly for both languages
without a lang_code check here. #}
आम गलतियां
- छोटे arrays benchmark करना जहाँ overhead dominate करे
- operation की बजाय array creation time करना
- यह मान लेना कि loops हमेशा ठीक हैं क्योंकि ये simpler हैं
चैप्टर सारांश
- Vectorization Python loop overhead हटाता है
- Speed-ups data size के साथ बढ़ते हैं
- time.perf_counter से measure करें
- Arrays पर explicit loops से बचें
🔒
Chapter Quiz — Complete all 7 topics to unlock
0/7 topics done
Complete these topics first: