NumPy 和 Pandas 哪个更快？
NumPy和Pandas都是数据科学和机器学习技术必不可少的工具。我们知道，pandas提供类似于SQL表的DataFrames允许您进行表格数据分析，而NumPy非常有效地运行向量和矩阵运算。
pandas提供了一堆C或Cython优化的函数，它们可以比NumPy等效函数更快（例如从文本文件中读取文本）。
如果您想做点积、计算平均值等数学运算，pandasDataFrames通常会比NumPy数组慢。因为熊猫正在做更多的事情，比如对齐标签、处理异构数据等等。
示例
import numpy as np
import pandas as pd
array = np.arange(100, 200)
s = pd.Series(array)
print('Series object time: ',end ='')
%timeit -n10 -r2 s.mean()
print('Numpy array time: ',end ='')
%timeit -n10 -r2 np.mean(array)解释
在这里，我们创建了一个NumPy数组，其中包含100到200的100个值，还使用NumPy数组创建了一个PandasSeries对象。
我们使用内置的IPython魔术函数%timeit来查找每个函数消耗的平均时间。计算每个对象数据的平均值。
-n10用于设置循环次数，-r2用于设置运行次数。
输出结果
Series object: 225 µs ± 83 µs per loop (mean ± std. dev. of 2 runs, 10 loops each) Numpy array: 33.1 µs ± 10.8 µs per loop (mean ± std. dev. of 2 runs, 10 loops each)
我们可以看到NumPy数组和Series对象计算均值所用的时间。
示例
import numpy as np
import pandas as pd
array = np.arange(100, 200)
s = pd.Series(array)
print('Series object time: ',end ='')
%timeit -n10 -r2 s.std()
print('Numpy array time: ',end ='')
%timeit -n10 -r2 np.std(array)解释
这里我们验证了NumPy数组和pandasSeries对象计算标准差所用的时间。我们可以在下面的输出块中看到时间戳。
输出结果
Series object time: 443 µs ± 26.6 µs per loop (mean ± std. dev. of 2 runs, 10 loops each) Numpy array time: 104 µs ± 12.1 µs per loop (mean ± std. dev. of 2 runs, 10 loops each)
正如我们在上面两个例子中看到的，与NumPy对象相比，pandas消耗的平均时间更多。
与创建NumPy数组相比，创建PandasDataFrame花费的时间大约长6000倍。Pandas需要额外的时间来设置索引标签。