因为NumPy的数组是一种静态、同质的类型，当ndarray对象被创建时，元素的类型就确定。由于是静态类型，所以ndarray间的加、减、乘、除用C和Fortran 实现才成为可能，所以运行起来就会更快。
一、为什么numpy的array那么快
NumPy的数组是一种静态、同质的类型，当ndarray对象被创建时，元素的类型就确定。
由于是静态类型，所以 ndarray 间的加、减、乘、除用C和Fortran实现才成为可能，所以运行起来就会更快。numpy官网介绍，numpy的底层代码用C语言和Fortran语言实现，实现性能无限接近C的处理效率，C语言的执行效率本身就比python的执行效率高，所以numpy数组的计算速度比python原生的list序列快
理解ndarray
NumPy ndarray是一个N维数组。 您可以如此创建：
X = np.array([[0,1,2],[3,4,5]], dtype=’int16′)
这些数组存储着相同大小的元素的同质数组。 也就是说，数组中的所有项都具有相同的数据类型且大小相同。 例如，您不能在同一个ndarray中放入字符串’hello’和整数16。
Ndarrays有两个关键特征：shape和dtype。
shape描述了数组的每个维度的长度，即将数组计为一个元素的情况下，在该维度中的元素计数。 例如，上面的阵列X具有形状（2,3）。 我们可以像这样想象它：
NP.ARRAY([[0,1,2],[3,4,5]])
dtype（数据类型）定义元素大小。 例如，每个int16项的大小为16位，即16/8 = 2个字节。 （一个字节等于8位。）因此X.itemsize为2。具体的dtype是可选的。
延伸阅读：
二、umpy数组相对于List的优势
1.内存占用更小
适当地使用Numpy数组替代List，你能让你的内存占用降低20倍。
对于Python原生的List列表，由于每次新增对象，都需要8个字节来引用新对象，新的对象本身占28个字节（以整数为例）。所以列表 list 的大小可以用以下公式计算：
64 + 8 * len(lst) + len(lst) * 28 字节
而使用Numpy，就能减少非常多的空间占用。比如长度为n的Numpy整形Array，它需要：
96 + len(a) * 8 字节
可见，数组越大，你节省的内存空间越多。假设你的数组有10亿个元素，那么这个内存占用大小的差距会是GB级别的。
2.速度更快、内置计算方法
运行下面这个脚本，同样是生成某个维度的两个数组并相加，你就能看到原生List和Numpy Array的性能差距。
import time
import numpy as np
size_of_vec = 1000
def pure_python_version():
t1 = time.time()
X = range(size_of_vec)
Y = range(size_of_vec)
Z = [X[i] + Y[i] for i in range(len(X)) ]
return time.time() – t1
def numpy_version():
t1 = time.time()
X = np.arange(size_of_vec)
Y = np.arange(size_of_vec)
Z = X + Y
return time.time() – t1
t1 = pure_python_version()
t2 = numpy_version()
print(t1, t2)
print(“Numpy is in this example ” + str(t1/t2) + ” faster!”)
结果如下：
0.00048732757568359375 0.0002491474151611328
Numpy is in this example 1.955980861244019 faster!
可以看到，Numpy比原生数组快1.95倍。
如果你细心的话，还能发现，Numpy array可以直接执行加法操作。而原生的数组是做不到这点的，这就是Numpy 运算方法的优势。
我们再做几次重复试验，以证明这个性能优势是持久性的。
import numpy as np
from timeit import Timer
size_of_vec = 1000
X_list = range(size_of_vec)
Y_list = range(size_of_vec)
X = np.arange(size_of_vec)
Y = np.arange(size_of_vec)
def pure_python_version():
Z = [X_list[i] + Y_list[i] for i in range(len(X_list)) ]
def numpy_version():
Z = X + Y
timer_obj1 = Timer(“pure_python_version()”,
“from __main__ import pure_python_version”)
timer_obj2 = Timer(“numpy_version()”,
“from __main__ import numpy_version”)
print(timer_obj1.timeit(10))
print(timer_obj2.timeit(10)) # Runs Faster!
print(timer_obj1.repeat(repeat=3, number=10))
print(timer_obj2.repeat(repeat=3, number=10)) # repeat to prove it!
结果如下：
0.0029753120616078377
0.00014940369874238968
[0.002683573868125677, 0.002754641231149435, 0.002803879790008068]
[6.536301225423813e-05, 2.9387418180704117e-05, 2.9171351343393326e-05]
可以看到，第二个输出的时间总是小得多，这就证明了这个性能优势是具有持久性的。
如果在做一些大数据研究，比如金融数据、股票数据的研究，使用Numpy能够节省你不少内存空间，并拥有更强大的性能。
