本篇内容介绍了“python numexpr怎么使用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

公司主营业务：成都网站设计、成都网站制作、移动网站开发等业务。帮助企业客户真正实现互联网宣传，提高企业的竞争能力。创新互联是一支青春激扬、勤奋敬业、活力青春激扬、勤奋敬业、活力澎湃、和谐高效的团队。公司秉承以“开放、自由、严谨、自律”为核心的企业文化，感谢他们对我们的高要求，感谢他们从不同领域给我们带来的挑战，让我们激情的团队有机会用头脑与智慧不断的给客户带来惊喜。创新互联推出盐田免费做网站回馈大家。

开篇

python语言被广泛用于数据分析和机器学习。但是，由于python的底层特性，python的运行速率低一直被广泛诟病。其中，numpy和pandas的广泛使用已经将数据处理和机器学习的速率提升了几个档次。

但是，随着数据的越来越多，很多人已经不再满足numpy和pandas的速度，从而退出了一批加速优化拓展包。这篇文章主要介绍一个轻量、但是功能强大的python扩展包 ”NumExpr"，看看它是如何高效解析数学公式的。

NumExpr

NumExpr的使用及其简单，只需要将原来的numpy语句使用双引号框起来，并使用numexpr中的evaluate方法调用即可。

第一步：需要引入 numexpr 和 numpy 扩展包；

import numexpr as ne

import numpy as np

第二步：创建两个numpy的array - a 和 b；

a和b两个所包含的数据个数为100万个。

当我们需要执行简单的加减乘除的时候，numexpr的效率已经得到了很好地体现。如上图所示，通过执行 2 * a + 3 * b，如果直接操作，需要3.39 毫秒。但是，如果我们是用ne.evaluate加速，可以将时间缩短至1.55 毫秒。

numexpr在更加复杂的数学表达式运算中，表现到底如何呢？

当我们使用如上所示的数学表达式，正常执行需要28.3 ms。而通过numexpr的加速，只需要3.03 ms。

注意，numexpr是可以识别 sin 函数的，所以我们不需要在evaluate里面写np.sin，可以直接写 sin。

总结：处理数据量越大，数学计算越复杂，则numexpr的加速效果越明显。

numpy 和 numexpr 比较

我们可以看到，当np.array的元素个数超过10e8，加速效果更加显著。

numexpr也支持逻辑表达式和复数表达式的加速，有兴趣的读者朋友可以自行比较。

numexpr 多线程加速

numexpr还有一个重要的加速利器，多线程操作。通过 ne.set_num_threads(1) 可以设置线程的数量，更多的线程表示程序可以同时对数学表达式进行计算。

如上所示，如果我们设置单线程，程序运行需要13.4 ms。设置了双线程，速度则可以提升一倍。

numexpr对pandas的加速

numexpr的设计主要针对的是numpy。同样的，我们知道pandas也是基于numpy开发的。自然，numexpr同样可以被用来对pandas加速。

pandas中有一个eval方法就是运用了numexpr，对pandas代码进行优化加速。

当我们构建几个pandas的dataframe，然后对它们进行运算的时候，pd.eval 可以将程序从原先的47.4 ms 加速到17.6 ms。

“python numexpr怎么使用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！

当前文章：pythonnumexpr怎么使用
URL标题：http://azwzsj.com/article/jcgdcc.html