我创建了三个版本来存储，但更重要的是在python3中读取数据：
500,000次阅读操作的阅读时间如下： （对于测试我读了500.000倍相同的值，条目）
我预计np阵列可能是最快的，但令人惊讶的是它是最慢的。
更多细节：
可以将3d数组视为点的三维坐标 - 几乎每个点都分配了一个值。该值介于[0,3200]之间。在3-D数组中，3维是点的位置，条目是值a[222][333][444]=1111。
来自Tadhg McDonald-Jensen的访问版本（np阵列的[222,333,444]）需要：0.129
dict具有像"[222, 333, 444]":1111这样的键值对
创建这些结构后：
将dict，数组或np-array中的值分配给变量500.000次会导致上述运行时间。
更新： 数据从文件读入结构 - 在程序中我想从内存中的结构（dict，np-array或array）访问各个值。我只对存储器中的访问进行计时（在结构已填满数据之后）
问题： 从理论的角度来看，我的结果是否正确 - np-array是否是读取数据的最慢选择？ 谢谢您的帮助！ ATramp
答案 0 :(得分：0)
NumPy可快速进行（大）数组的数值计算。您正在测量Python代码中一个元素的访问时间。举个例子：
import numpy as np
n = 10
a = np.arange(n)
d = dict.fromkeys(range(n))
访问字典的速度更快：
%timeit d[0]
10000000 loops, best of 3: 85.4 ns per loop
比NumPy数组的那个：
%timeit a[0]
10000000 loops, best of 3: 177 ns per loop
请注意，此时间与结构的大小无关。
结论：NumPy对阵列上的矢量化操作很快。在NumPy数组上执行大量纯Python操作比使用内置Python数据类型要慢。
问题：从理论的角度来看，我的结果是否正确 - np-array可能是读取数据的最慢选项吗？
是的，当从Python代码访问NumPy数组中的数据时，这可能就是对这些数组的所有操作。