阅读有趣的书"From Python to Numpy"我遇到了example，其描述如下：
让我们考虑一个我们想要清除所有值的简单示例 来自具有dtype
np.float32的数组。如何写它 最大化速度？
提供的结果让我感到惊讶，当我重新检查它们时，我得到了完全不同的行为。所以，我要求作者仔细检查，但他在下表中收到了与之前相同的结果（ OS X 10 ）：
这些变体在三台不同的计算机上计时：我的（ Win10 ， Win7 ）和作者（ OSX 10.13.3 ）。使用 Python 3.6.4 和 numpy 1.14.2 ，其中每个变体都是针对固定的 100循环计时，最好是3 。
编辑：这个问题不是关于这样一个事实：在不同的计算机上，具有不同的特征，我得到不同的时间 - 这是显而易见的:) 问题是两个操作的行为是非常不同的系统 - 哪个不那么明显？（如果当然如此，如果有人可以仔细检查，我会很高兴。）
设置为：Z = np.ones(4*1000000, np.float32)
| Variant | Windows 10 | Ubuntu 17.10 | Windows 7 | OSX 10.13.3 |
| | computer 1 | comp 2 | comp 3 |
| --------------------------- | ------------------------- | --------- | ----------- |
| Z.view(np.float64)[...] = 0 | 758 usec | 1.03 msec | 2.72 msec | 1.01 msec |
| Z.view(np.float32)[...] = 0 | 757 usec | 1.01 msec | 2.61 msec | 1.58 msec |
| Z.view(np.float16)[...] = 0 | 760 usec | 1.01 msec | 2.62 msec | 2.85 msec |
| Z.view(np.complex)[...] = 0 | 1.06 msec | 1.02 msec | 3.26 msec | 918 usec |
| Z.view(np.int64)[...] = 0 | 758 usec | 1.03 msec | 2.69 msec | 1 msec |
| Z.view(np.int32)[...] = 0 | 757 usec | 1.01 msec | 2.62 msec | 1.46 msec |
| Z.view(np.int16)[...] = 0 | 760 usec | 1.01 msec | 2.63 msec | 2.87 msec |
| Z.view(np.int8)[...] = 0 | 758 usec | 773 usec | 2.68 msec | 614 usec |
| Z.fill(0) | 747 usec | 998 usec | 2.55 msec | N/A |
| Z[...] = 0 | 750 usec | 1 msec | 2.59 msec | N/A |
从此表中可以看出，在 Windows 上，结果不依赖于查看的类型，但在 OS X 上，此hack会严重影响性能。 您能否提供有关这种情况的见解？
编辑 ：正如我上面写的那样，三台电脑不同。
第一台计算机的规格 ：
Windows 10和Ubuntu 17.10
CPU：Intel Xenon E5-1650v4 3.60GHz
内存：128GB DDR4-2400
第二台计算机的规格 ：
Windows 7
CPU：Intel Pentium P6100 2.00GHz
内存：4GB DDR3-1333
第三台计算机的规格 ： 我没有这个信息:)
编辑2 ：在 Ubuntu 17.10 上添加第一台计算机的结果。
答案 0 :(得分：10)
请记住，Python是一种非常高级的编程语言，Pandas也是一个高级框架。
您实际使用的是用于许多操作的高级API，您可以使用该语言执行该操作，而无需担心底层实现。
如果您使用的是较低级别的API，要将数组分配给变量，您必须分配一些内存，创建一个结构来保存数据，将它们链接在一起（可能使用指向内存地址的指针） 。而你甚至没有触及实际芯片，你的API和保存到芯片的实际数据之间仍然存在虚拟内存映射。而且这种复杂性基本上适用于您使用Python＆amp;大熊猫。
然而，你只需做arr = [1, 2, 3]，而不用担心。
现在，Python应该在您运行它的每个平台上运行相同 - 至少在大多数情况下。
现在，在枯燥乏味的介绍落后于我们之后 - “暴露统一API，不担心实现”的整个想法在计算机编程中得到广泛传播。有一些微妙的实现细节使一个操作系统与另一个操作系统不同，这可能会也可能不会影响软件的性能。我不认为这很重要，但它仍然存在，值得一提。
例如，有一个old answer about np.dot function performance differing between Linux and Windows。作者在这个主题上有比我更多的知识，并指出该特定函数是CBLAS例程的包装器，它将使用给定平台上可用的最快例程。
话虽这么说 - 熊猫是一个非常复杂的库，旨在通过向程序员公开简单易用的API，使数据分析尽可能简单。我希望Pandas可以使用您平台上可用的最佳机制尽可能快地完成任务。