有 几篇文章 这表明MATLAB更喜欢列操作而不是行操作，这取决于您将数据布置在性能上 可以变化很大。这显然是因为MATLAB使用了 列优先 表示数组的顺序。
我记得读过Python（NumPy）使用的 行主 订购。有了这个，我的问题是：
- 在使用NumPy时，可以预期性能会有类似的差异吗？
- 如果上面的答案是肯定的，那会是什么 突出这种差异的例子？
有 几篇文章 这表明MATLAB更喜欢列操作而不是行操作，这取决于您将数据布置在性能上 可以变化很大。这显然是因为MATLAB使用了 列优先 表示数组的顺序。
我记得读过Python（NumPy）使用的 行主 订购。有了这个，我的问题是：
像许多基准一样，这实际上取决于具体情况。确实，默认情况下，numpy以C连续（行 - 主）顺序创建数组，因此，在抽象中，扫描列的操作应该比扫描行的操作快。但是，阵列的形状，ALU的性能以及处理器上的底层高速缓存对细节产生巨大影响。
例如，在我的MacBook Pro上，使用小整数或浮点数组，时间类似，但小整数类型明显慢于浮点类型：
>>> x = numpy.ones((100, 100), dtype=numpy.uint8)
>>> %timeit x.sum(axis=0)
10000 loops, best of 3: 40.6 us per loop
>>> %timeit x.sum(axis=1)
10000 loops, best of 3: 36.1 us per loop
>>> x = numpy.ones((100, 100), dtype=numpy.float64)
>>> %timeit x.sum(axis=0)
10000 loops, best of 3: 28.8 us per loop
>>> %timeit x.sum(axis=1)
10000 loops, best of 3: 28.8 us per loop
对于较大的阵列，绝对差异会变大，但对于较大的数据类型，至少在我的机器上仍然较小：
>>> x = numpy.ones((1000, 1000), dtype=numpy.uint8)
>>> %timeit x.sum(axis=0)
100 loops, best of 3: 2.36 ms per loop
>>> %timeit x.sum(axis=1)
1000 loops, best of 3: 1.9 ms per loop
>>> x = numpy.ones((1000, 1000), dtype=numpy.float64)
>>> %timeit x.sum(axis=0)
100 loops, best of 3: 2.04 ms per loop
>>> %timeit x.sum(axis=1)
1000 loops, best of 3: 1.89 ms per loop
您可以告诉numpy使用。创建一个Fortran连续（列主要）数组 order='F' 关键字参数 numpy.asarray， numpy.ones， numpy.zeros等等，或者通过使用转换现有数组 numpy.asfortranarray。正如预期的那样，这种排序交换了行或列操作的效率：
in [10]: y = numpy.asfortranarray(x)
in [11]: %timeit y.sum(axis=0)
1000 loops, best of 3: 1.89 ms per loop
in [12]: %timeit y.sum(axis=1)
100 loops, best of 3: 2.01 ms per loop
In [38]: data = numpy.random.rand(10000,10000)
In [39]: %timeit data.sum(axis=0)
10 loops, best of 3: 86.1 ms per loop
In [40]: %timeit data.sum(axis=1)
10 loops, best of 3: 101 ms per loop
我怀疑它会因数据和操作而有所不同。
简单的答案是使用相同的，真实世界，您计划使用的排序数据以及您计划使用的功能编写一些测试，然后使用 cprofile 要么 timeit 比较您的操作速度，具体取决于您的数据结构。