为什么numpy.array在编辑内部数据时如此缓慢?

在代码中,您正在访问和修改NumPy中的单个元素 array (l[j] = False) .NumPy数组针对整个数组或切片的操作进行了优化,而不是针对单个元素。

NumPy数组由固定大小的连续内存支持。对于涉及许多随机访问模式的小规模操作,访问这些内存位置的额外开销可能会使它们比Python列表慢,Python列表是指向对象的指针。

为了利用NumPy的优势,您应该致力于消除循环并使用矢量化操作。这是一个优化版本:

import numpy as np

def PrimeTableOptimized(n: int) -> list[int]:
    if n < 2:
        return []
    if n == 2:
        return [2]
    
    sieve = np.ones(n//2, dtype=bool)  # Only consider odd numbers
    sieve[0] = False  # 1 is not prime
    
    for i in range(1, int(n**0.5) // 2 + 1):
        if sieve[i]:
            start = 2*i*(i + 1)
            sieve[start::2*i+1] = False
    
    primes = [2] + (2*np.nonzero(sieve)[0] + 1).tolist()
    return primes

sieve[start::2*i+1] = False 利用NumPy的切片功能,在单个操作中直接标记所有非素数索引。 通过仅存储奇数 sieve ,我们减小了数组的大小,这提高了内存局部性并加快了操作速度。

使用 np.nonzero(sieve) 检索筛选器所在的索引 True ,以及矢量化算法 2*indices+1 生成素数。

由于Python循环的开销减少,这个优化版本应该更接近或更快地实现基于列表的实现;使用NumPy的高效切片和矢量化操作。