BigO复杂度通常不用于Python和numpy。它衡量代码如何随问题大小扩展。这在像C这样的编译语言中很有用。但是这里的代码是解释性Python和编译后代码的混合。两者可以具有相同的bigO，但是解释版本将慢几个数量级。这就是为什么大多数SO有关提高numpy速度，谈论“删除循环”和“向量化”的问题。
也很少有运算是纯O（n）；大多数是混合的。有安装成本，还有每件成本。如果单件成本很小，则安装成本将占主导地位。
如果从列表开始，则在列表上进行迭代通常会更快，因为将列表转换为数组会产生大量开销（O（n））。
如果您已经有数组，则请尽可能避免（python级）迭代。迭代是大多数计算的一部分，但是numpy可以让您在更快的编译代码（更快的O（n））中完成很多工作。
在某些时候，您必须了解numpy如何存储其数组。
view和之间的区别
copy很重要。视图实际上是O（1），副本是O（n）。
通常，您会看到SO答案可以进行
timeit速度比较。我经常加警告，结果可能会因问题大小而异。更好的答案将解决各种尺寸问题，并在漂亮的图中显示结果。结果通常是直线（O（n））和曲线（O（1）和O（n）分量的混合）的混合。
您专门询问了有关
np.array。以下是一些示例计时：
In [134]: %%timeit alist = list(range(1000)) ...: np.array(alist)67.9 µs ± 839 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)In [135]: %%timeit alist = list(range(10)) ...: np.array(alist)2.19 µs ± 9.88 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)In [136]: %%timeit alist = list(range(2000)) ...: np.array(alist)134 µs ± 1.98 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
复制一个数组：
In [137]: %%timeit alist = list(range(2000)); arr=np.array(alist) ...: np.array(arr)1.77 µs ± 24.3 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
无副本：
In [138]: %%timeit alist = list(range(2000)); arr=np.array(alist) ...: np.array(arr, copy=False) 237 ns ± 1.1 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
从字符串列表中：
In [139]: %%timeit alist = [str(i) for i in range(2000)] ...: np.array(alist, dtype=int)286 µs ± 4.8 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
几乎所有的计算
numpy都为O（n）。如果涉及数组的每个元素，则速度将取决于数组的大小。有些数组操作是O（1），例如重塑，因为它们实际上对数据不做任何事情；它们会改变形状和步幅等属性。
搜索问题的增长速度通常快于O（n）；通常
numpy不是解决此类问题的最佳选择。使用精明的Python列表和字典可以更快。
