說在最前

不知道小伙伴們在寫代碼的時(shí)候有沒有區(qū)分開numpy.abs和abs函數(shù)，別小看這兩個(gè)函數(shù)，如果在寫程序的時(shí)候正確區(qū)分使用這兩個(gè)函數(shù)可以使自己的程序運(yùn)行效率大大提升。

別看這兩個(gè)函數(shù)都能對整數(shù)求絕對值，但他們倆的返回值類型完全不一樣，如果傻傻地混為一談，將會使你的程序運(yùn)行時(shí)間被大大拖累！

今天筆者就帶小伙伴們看看，這兩個(gè)函數(shù)究竟該怎么正確使用才能使自己的程序運(yùn)行效率得到提升。

先看示例程序-abs()函數(shù)

注意觀察變量row和語句temp=row-1

import time

row=-1000
row=abs(row)  #這里的函數(shù)是abs()

start_time = time.time()#記錄程序運(yùn)行到這（記為A）的時(shí)間

for i in range(row):
    for j in range(1000):
        temp=row-1    #temp在這里只是用來接收row-1的結(jié)果

end_time = time.time()#記錄程序運(yùn)行到這（記為B）的時(shí)間
print(end_time-start_time)#輸出A和B代碼間的程序運(yùn)行時(shí)間

運(yùn)行時(shí)間為：0.08079314231872559

再看示例程序-numpy.abs()函數(shù)

注意觀察變量row和語句temp=row-1

import numpy
import time

row=-1000
row=numpy.abs(row)   #這里的函數(shù)是numpy.abs()

start_time = time.time()#記錄程序運(yùn)行到這（記為A）的時(shí)間

for i in range(row):
    for j in range(1000):
        temp=row-1    #temp在這里只是用來接收row-1的結(jié)果

end_time = time.time()#記錄程序運(yùn)行到這（記為B）的時(shí)間
print(end_time-start_time)#輸出A和B代碼間的程序運(yùn)行時(shí)間

運(yùn)行時(shí)間為：0.20246124267578125

觀察兩個(gè)程序的結(jié)果

觀察兩個(gè)程序的相同代碼段運(yùn)行時(shí)間的結(jié)果，你會發(fā)現(xiàn)作用都是用來取整的abs()函數(shù)和numpy.abs()函數(shù)，運(yùn)行時(shí)間竟然差了大約2.5倍！

小伙伴們看到這里是不是十分驚訝和不解？為什么相同的代碼段運(yùn)行時(shí)間竟然大不相同？雖然在本文章中，它們的相同代碼段運(yùn)行時(shí)間只差了0點(diǎn)幾秒，但是在做數(shù)據(jù)處理時(shí)，龐大的數(shù)據(jù)處理足足可以使這微小的差距瞬間拉大，造成本來可以幾秒鐘運(yùn)行結(jié)束的程序你卻用了幾分鐘跑完的尷尬局面。

分析解釋

注意觀察兩個(gè)程序的變量row，

第一個(gè)程序

row=abs(row)

第二個(gè)程序

row=numpy.abs(row)

小伙伴們第一眼看好像這兩個(gè)函數(shù)除了外貌不同外，也沒啥不同，都是對變量row取絕對值，但是這兩個(gè)函數(shù)恰恰在返回值類型上不同。abs()函數(shù)返回的類型是int型而numpy.abs()函數(shù)返回的類型卻是ndarray。小伙伴們可以使用Type()函數(shù)來看變量row的類型，或者去numpy的官網(wǎng)看一下numpy.abs()函數(shù)的說明，鏈接附上：numpy.abs()函數(shù)官方說明

int類型這里不做過多解釋，有興趣的小伙伴可以自己去了解相關(guān)知識。

而ndarray類型，是numpy庫里的數(shù)組類型，它是numpy庫里的一種類(numpy.ndarray)，小伙伴們可以去官網(wǎng)上看看有關(guān)ndarray類型的說明。鏈接附上：numpy.ndarray類型官方說明

有了上面的基礎(chǔ)，我們再來理解為什么會出現(xiàn)相同代碼段運(yùn)行時(shí)間不同就變得容易許多了。其主要原因在于

temp=row-1

這段代碼。如果row變量是ndarray類型，那么ndarray類型減去int類型（常量1是int類型）就會存在不同類型間的變量進(jìn)行轉(zhuǎn)換的問題（這種轉(zhuǎn)換是系統(tǒng)自己完成的，也可以稱之為隱藏式地轉(zhuǎn)換），這會使程序有額外的開銷，使程序的運(yùn)行效率降低。而如果row變量是int類型就不會出現(xiàn)這種問題，所以這就是使兩段相同的代碼運(yùn)行時(shí)間不同的根本原因所在。

另外numpy.abs()函數(shù)希望的參數(shù)類型是ndarray類型，而abs()函數(shù)希望的參數(shù)類型之一是int類型，所以numpy.abs(row)和abs(row)也存在上述問題。

拓展

雖然numpy.abs()函數(shù)對單個(gè)元素（整型、浮點(diǎn)型等等）的處理較abs()函數(shù)慢，但如果元素很多，可以把這些元素組合起來形成一個(gè)ndarray類型數(shù)組，這時(shí)使用numpy.abs()函數(shù)（ndarray類型做實(shí)際參數(shù)）就要比用abs()函數(shù)循環(huán)處理快得多啦。

補(bǔ)充：numpy abs()報(bào)錯(cuò)

我在用numpy的abs()給數(shù)組取絕對值的時(shí)候出現(xiàn)了這個(gè)問題，很明顯是dtype的問題

'<U32'是unsigned 32的含義，那么這個(gè)格式本來就沒有符號，我還非要取絕對值那肯定會報(bào)錯(cuò)的呀！

回過頭去看了看果然是append進(jìn)數(shù)組的時(shí)候忘了把格式強(qiáng)轉(zhuǎn)成float了

OK！轉(zhuǎn)換！解決！

ufunc 'absolute' did not contain a loop with signature matching types dtype('<U32') dtype('<U32')

總結(jié)

單個(gè)元素用abs()函數(shù)

多個(gè)元素并行處理用numpy.abs()函數(shù)

使用函數(shù)和寫代碼時(shí)一定要注意變量隱藏式地轉(zhuǎn)換，因?yàn)檫@能在無形之中拖慢你程序的運(yùn)行速度。