快>慢：min(1, 2) > min([1, 2]) > np.min([1, 2])

Python雖然是非常方便的語法
但執行速度總比不上別人
必須使用很多技巧進行優化
我會慢慢和大家分享 今天要來比較一維資料
內建的 min() / max() / sum()
與Numpy的 np.min() / np.max() / np.sum()

究竟誰比較快呢？
格式有 List 和 Numpy Array

1、測試方式

我分別創造1、10、10^2、10^3、10^4...10^6個0
格式有List和Numpy Array
分別對他們執行內建的min和np.min
甚至也將型態轉換後再作比較
每一次的執行都是跑1000次
程式碼可看文末

2、結果

最小(min)和最大(max)

最小和最大的比較結果差不多
這邊就只放min的圖

假如你使用List，無論長度為何，一律使用內建min
假如你使用Array，長度50以下，使用內建min；以上則用np.min

總和(sum)

總和的部分

假如你使用List，無論長度為何，一律使用內建sum
假如你使用Array，長度10以下，使用內建sum；以上則用np.sum

補充

有一個特別的地方，當比較的數量在2個或3個單值時

min(A, B) 會快於 min([A, B])

另外，Numpy的運算是以C為底的方式執行
所以數量非常大時，才能維持高速運算
內建的函式就是單純的loop過去而已

3、程式碼

import time
import numpy as np

info = np.zeros([7, 6])

for idx in range(7):

    test_list = [0]*10**idx
    test_arr = np.asarray(test_list)
    
    start_time = time.time()
    for i in range(1000):
        max(test_list)
    info[idx][0] = time.time() - start_time
    
    start_time = time.time()
    for i in range(1000):
        np.max(test_list)
    info[idx][1] = time.time() - start_time
    
    start_time = time.time()
    for i in range(1000):
        np.max(np.asarray(test_list))
    info[idx][2] = time.time() - start_time
    
    start_time = time.time()
    for i in range(1000):
        np.max(test_arr)
    info[idx][3] = time.time() - start_time
    
    start_time = time.time()
    for i in range(1000):
        max(test_arr)
    info[idx][4] = time.time() - start_time

    start_time = time.time()
    for i in range(1000):
        max(list(test_arr))
    info[idx][5] = time.time() - start_time