科学计算
探索分配差异和效率提升
在本文中，我们将深入探讨原生Python列表和NumPy数组之间的内存设计差异，揭示了为什么NumPy在许多情况下可以提供更好的性能。
我们将比较数据结构、内存分配和访问方法，展示NumPy数组的强大之处。
引言
想象一下，你准备去图书馆找一本书。现在，你发现图书馆有两个书架：
第一个书架上摆满了各种精美的盒子，有些盒子里装着CD，有些盒子里装着图片，还有些盒子里装着书。每个盒子上只附有物品的名字。
这代表了原生Python列表，其中每个元素都有自己的内存空间和类型信息。
然而，这种方法存在一个问题：盒子里有很多空白空间，浪费了书架上的空间。而且，当你想要找一本特定的书时，必须查看每个盒子的内部，这需要额外的时间。
现在让我们看看第二个书架。这次没有盒子；书、CD和图片都按照它们的类别紧密地放在一起。
这就是NumPy数组，它以连续的方式在内存中存储数据，提高了空间利用率。
由于物品都按类别分组，你可以快速找到一本书，而不需要搜索许多盒子。这就是为什么NumPy数组在许多操作中比原生Python列表更快的原因。
Python列表：灵活但效率较低的解决方案
Python中的一切都是对象
让我们从Python解释器开始：虽然CPython是用C编写的，但Python变量不是C中的基本数据类型，而是包含值和附加信息的C结构。
以Python整数x = 10_000为例，x不是堆栈上的基本类型。相反，它是指向内存堆对象的指针。