快捷導(dǎo)航

實(shí)例詳解Python中的numpy.abs和abs函數(shù)

更新時(shí)間：2022年08月19日 14:56:19 作者：堯堯愛(ài)靜靜

Numpy是python中最有用的工具之一,它可以有效地處理大容量數(shù)據(jù),下面這篇文章主要給大家介紹了關(guān)于Python中numpy.abs和abs函數(shù)的相關(guān)資料,文中通過(guò)實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下

說(shuō)在最前

不知道小伙伴們?cè)趯?xiě)代碼的時(shí)候有沒(méi)有區(qū)分開(kāi)numpy.abs和abs函數(shù)，別小看這兩個(gè)函數(shù)，如果在寫(xiě)程序的時(shí)候正確區(qū)分使用這兩個(gè)函數(shù)可以使自己的程序運(yùn)行效率大大提升。

別看這兩個(gè)函數(shù)都能對(duì)整數(shù)求絕對(duì)值，但他們倆的返回值類型完全不一樣，如果傻傻地混為一談，將會(huì)使你的程序運(yùn)行時(shí)間被大大拖累！

今天筆者就帶小伙伴們看看，這兩個(gè)函數(shù)究竟該怎么正確使用才能使自己的程序運(yùn)行效率得到提升。

先看示例程序-abs()函數(shù)

注意觀察變量row和語(yǔ)句temp=row-1

import time

row=-1000
row=abs(row)  #這里的函數(shù)是abs()

start_time = time.time()#記錄程序運(yùn)行到這（記為A）的時(shí)間

for i in range(row):
    for j in range(1000):
        temp=row-1    #temp在這里只是用來(lái)接收row-1的結(jié)果

end_time = time.time()#記錄程序運(yùn)行到這（記為B）的時(shí)間
print(end_time-start_time)#輸出A和B代碼間的程序運(yùn)行時(shí)間

運(yùn)行時(shí)間為：0.08079314231872559

再看示例程序-numpy.abs()函數(shù)

注意觀察變量row和語(yǔ)句temp=row-1

import numpy
import time

row=-1000
row=numpy.abs(row)   #這里的函數(shù)是numpy.abs()

start_time = time.time()#記錄程序運(yùn)行到這（記為A）的時(shí)間

for i in range(row):
    for j in range(1000):
        temp=row-1    #temp在這里只是用來(lái)接收row-1的結(jié)果

end_time = time.time()#記錄程序運(yùn)行到這（記為B）的時(shí)間
print(end_time-start_time)#輸出A和B代碼間的程序運(yùn)行時(shí)間

運(yùn)行時(shí)間為：0.20246124267578125

觀察兩個(gè)程序的結(jié)果

觀察兩個(gè)程序的相同代碼段運(yùn)行時(shí)間的結(jié)果，你會(huì)發(fā)現(xiàn)作用都是用來(lái)取整的abs()函數(shù)和numpy.abs()函數(shù)，運(yùn)行時(shí)間竟然差了大約2.5倍！

小伙伴們看到這里是不是十分驚訝和不解？為什么相同的代碼段運(yùn)行時(shí)間竟然大不相同？雖然在本文章中，它們的相同代碼段運(yùn)行時(shí)間只差了0點(diǎn)幾秒，但是在做數(shù)據(jù)處理時(shí)，龐大的數(shù)據(jù)處理足足可以使這微小的差距瞬間拉大，造成本來(lái)可以幾秒鐘運(yùn)行結(jié)束的程序你卻用了幾分鐘跑完的尷尬局面。

分析解釋

注意觀察兩個(gè)程序的變量row，

第一個(gè)程序

row=abs(row)

第二個(gè)程序

row=numpy.abs(row)

小伙伴們第一眼看好像這兩個(gè)函數(shù)除了外貌不同外，也沒(méi)啥不同，都是對(duì)變量row取絕對(duì)值，但是這兩個(gè)函數(shù)恰恰在返回值類型上不同。abs()函數(shù)返回的類型是int型而numpy.abs()函數(shù)返回的類型卻是ndarray。小伙伴們可以使用Type()函數(shù)來(lái)看變量row的類型，或者去numpy的官網(wǎng)看一下numpy.abs()函數(shù)的說(shuō)明，鏈接附上：numpy.abs()函數(shù)官方說(shuō)明

int類型這里不做過(guò)多解釋，有興趣的小伙伴可以自己去了解相關(guān)知識(shí)。

而ndarray類型，是numpy庫(kù)里的數(shù)組類型，它是numpy庫(kù)里的一種類(numpy.ndarray)，小伙伴們可以去官網(wǎng)上看看有關(guān)ndarray類型的說(shuō)明。鏈接附上：numpy.ndarray類型官方說(shuō)明

有了上面的基礎(chǔ)，我們?cè)賮?lái)理解為什么會(huì)出現(xiàn)相同代碼段運(yùn)行時(shí)間不同就變得容易許多了。其主要原因在于

temp=row-1

這段代碼。如果row變量是ndarray類型，那么ndarray類型減去int類型（常量1是int類型）就會(huì)存在不同類型間的變量進(jìn)行轉(zhuǎn)換的問(wèn)題（這種轉(zhuǎn)換是系統(tǒng)自己完成的，也可以稱之為隱藏式地轉(zhuǎn)換），這會(huì)使程序有額外的開(kāi)銷，使程序的運(yùn)行效率降低。而如果row變量是int類型就不會(huì)出現(xiàn)這種問(wèn)題，所以這就是使兩段相同的代碼運(yùn)行時(shí)間不同的根本原因所在。

另外numpy.abs()函數(shù)希望的參數(shù)類型是ndarray類型，而abs()函數(shù)希望的參數(shù)類型之一是int類型，所以numpy.abs(row)和abs(row)也存在上述問(wèn)題。

拓展

雖然numpy.abs()函數(shù)對(duì)單個(gè)元素（整型、浮點(diǎn)型等等）的處理較abs()函數(shù)慢，但如果元素很多，可以把這些元素組合起來(lái)形成一個(gè)ndarray類型數(shù)組，這時(shí)使用numpy.abs()函數(shù)（ndarray類型做實(shí)際參數(shù)）就要比用abs()函數(shù)循環(huán)處理快得多啦。