numpy数组及处理：效率对比

一、处理日期时间

取系统时间

转换成‘2017年9月30日星期六10时28分56秒’格式字符串

’2018-10-25 22:00‘转换成一个日期时间变量

计算两者的间隔

 

from datetime import datetime as pt
now=pt.now()
print(now)#取系统时间
dt = pt.now()
print(dt)
ft = pt(2019, 10, 11)
print(ft)
print(type(ft))
dtp = pt.strptime('2017年9月30日星期六10时28分56秒','%Y年%m月%d日星期六10时28分56秒')#转换成‘2017年9月30日星期六10时28分56秒’格式字符串
print(dtp)
print(dtp. strftime('%a, %b %d %H:%M'))
print('今天是{0:%Y}的第{0:%j}天。'.format(now))

stat = "{0:%Y}年{0:%m}月{0:%d}日星期{0:%w} {0:%H}时{0:%M}分{0:%S}秒".format(pt.now())
end = pt.strptime('2018-10-25 22:00',"%Y-%m-%d %H:%M")#’2018-10-25 22:00‘转换成一个日期时间变量
print(pt.now()-end)#计算两者的间隔

　　

 

二、问题：

• 数列：
• a = a1,a2,a3,·····,an
• b = b1,b2,b3,·····,bn
• 求：
• c = a12+b13,a22+b23,a32+b33,·····+an2+bn3

1.用列表+循环实现，并包装成函数

2.用numpy实现，并包装成函数

3.对比两种方法实现的效率，给定一个较大的参数n，用运行函数前后的timedelta表示。

 

#1.用列表+循环实现，并包装成函数
a=list(range(10))
b=list(range(0,50,5))
c=[]
for i in range(len(a)):
    c.append(a[i]**2+b[i])
print(a,b,c)

#2.用numpy实现，并包装成函数
import numpy
a = numpy.arange(10)
b = numpy.arange(0, 50, 5)
c = a + b
print(a, b, c)

#3.对比两种方法实现的效率，给定一个较大的参数n，用运行函数前后的timedelta表示。
def pySum(n):
    a=list(range(n))
    b=list(range(0,5*n,5))
    c=[]
    for i in range(len(a)):
        c.append(a[i]**2+b[i]**3)
    return(c)
print(pySum(10))

def npSum(n):
    a=list(range(n))
    b=list(range(0,5*n,5))
    c=[]
    for i in range(len(a)):
        c.append(a[i]**2+b[i]**3)
    return(c)

print(pySum(10))

from datetime import datetime
start = datetime.now()
pySum(500000)
delta=datetime.now()-start
print(delta)

start= datetime.now()
npSum(500000)
delta=datetime.now()-start
print(delta)

 

三、尝试把a,b定义为三层嵌套列表和三维数组，求相对应元素的ai2+bi3

对比两种数据类型处理方法及效率的不同。

def time_li2(li1,li2):
    li3 = [[[0 for row3 in range(3)] for row2 in range(3)] for row1 in range(3)]
    for i in range(len(li1)):
        for j in range(len(li1[i])):
            for k in range(len(li1[i][j])):
                li3[i][j][k] = li1[i][j][k] **2 + li2[i][j][k] **3
    return li3
def sq4(li1,li2):
    return list(np.array(a)**2+np.array(b)**3)