numpy.sum比Python的sum更快。import numpy as np
a = np.random.random(1e10)
b = np.random.random(1e10)
np.subtract(a, b) 是否比 a - b 更可靠地快？< /p >
不，没有显著的区别。
np.sum更快的原因是sum被实现为“简单地”迭代可迭代对象（在这种情况下，是numpy数组），调用元素的__add__运算符（这会带来显著的开销），而numpy的sum实现则经过了优化，例如利用它知道元素类型（dtype）以及它们在内存中是连续的等特点。
但对于np.subtract(arr1，arr2)和arr1-arr2，情况并非如此。后者大致相当于前者。
差异在于，可以在Python中重写减法运算符，所以numpy数组覆盖它以使用优化版本。 然而，sum操作是不可重写的，因此numpy提供了替代的优化版本。
不完全是。但你可以很容易地检查时间。
a = np.random.normal(size=1000)
b = np.random.normal(size=1000)
%timeit np.subtract(a, b)
# 1000000 loops, best of 3: 1.57 µs per loop
%timeit a - b
# 1000000 loops, best of 3: 1.47 µs per loop
%timeit np.divide(a, b)
# 100000 loops, best of 3: 3.51 µs per loop
%timeit a / b
# 100000 loops, best of 3: 3.38 µs per loop
numpy的函数似乎慢了一点，我不确定这是否重要，但我怀疑除了相同实现之外，还有一些额外的函数调用开销。
编辑：正如@unutbu所指出的那样，这可能是因为np.add和其他函数在必要时需要将类似数组的对象转换为数组，从而增加了类型检查的开销，以便处理像np.add([1,2],[3,4])这样的操作。
@shx2的回答很好。
我稍微解释一下sum和np.sum的不同：
sum会遍历数组，逐个将元素转换为Python对象，然后将它们作为Python对象相加。np.sum使用本地代码中的优化循环对数组进行求和，而不需要转换单个值（正如shx2所指出的那样，这要求数组内容具有同质性和连续性）。每个数组元素的转换为Python对象是开销最大的来源。
顺便说一下，这也说明为什么使用Python的标准库C数组类型进行数学运算是愚蠢的。 sum(list)比sum(array.array)快得多。
a-b 被翻译为函数调用 a.__rsub__(b)。因此，它使用属于变量的方法（例如，如果 a 是数组，则使用已编译的 numpy 代码）。
In [20]: a.__rsub__??
Type: method-wrapper
String Form:<method-wrapper '__rsub__' of numpy.ndarray object at 0xad27a88>
Docstring: x.__rsub__(y) <==> y-x
np.subtract(x1, x2[, out])的文档显示它是一个ufunc。 ufunc通常使用编译操作，如__rsub__，但可能会增加一些开销以适应ufunc协议。
在许多其他情况下，np.foo(x, args)转换为x.foo(args)。
一般来说，如果函数和运算符最终调用编译的numpy代码来执行实际计算，则计时将非常相似，特别是对于大数组。
np.subtract包含将其参数转换为数组的额外代码，因此np.subtract([1,2,3],[4,5,6])是可行的。a-b不需要这个额外的代码，所以它稍微快一点。np.subtract还可以处理out关键字参数... - unutbunp.subtract的这两个附加功能都是函数进入/退出时的一次性问题。如果您不使用它们，则它们是O(1)，因此随着数组越来越大，它们将变得越来越微不足道。 - Dan Lenski