NumPy数组运算速度比Python原生列表更快吗？实测相反结果求解答

• 你没有使用NumPy的向量化运算特性，完全浪费了它的性能优势。你测试时用Python原生的map+math.sqrt处理NumPy数组，本质还是走Python循环逻辑，还多了NumPy标量转Python原生类型的额外开销，速度自然比直接处理原生列表慢。
• 你的测试用例设计不公平：给NumPy的测试把Python列表转NumPy数组的初始化耗时也算进了总耗时，而原生列表的测试没有额外的类型转换开销，进一步拉大了两者的耗时差距。

要发挥NumPy的性能优势，应该直接调用NumPy内置的向量化方法，全程运算都在C层面完成，没有Python循环开销，测试时也建议把数据准备逻辑放到setup参数中，仅统计运算环节的耗时：

from timeit import timeit
# 原生列表测试（仅统计运算耗时）
print(timeit(stmt='list(map(math.sqrt,a_list))', setup='import math;a_list = list(range(1,100000))', number=1000))
# NumPy正确写法测试（仅统计运算耗时）
print(timeit(stmt='np.sqrt(np_array)', setup='import numpy as np; np_array = np.array(range(1,100000))', number=1000))

实际运行后可以看到NumPy的运算耗时在0.1秒级别，远快于原生列表8秒左右的耗时，和理论描述一致。

你之前看到的NumPy性能优势的描述是成立的，核心前提是要使用它的向量化运算能力：所有运算批量在连续内存上通过C实现的逻辑处理，不经过Python层的循环和类型转换。如果依然使用Python原生的循环、map、列表推导式处理NumPy数组，不仅不会获得性能提升，还会因为额外的类型转换开销比原生列表性能更差。

内容的提问来源于stack exchange，提问作者Shyam