尝试一些方法的不同实现，比较一下时间，电脑比较渣，不过只是做个比较
虽然用python主要是方便，肯定是不快的，不过能快一点还是快一点好
numpy中大量使用同样 shape 的全 0 array，可以使用 np.zero() 方法或者是先开一个之后 copy：
1 %%time
2 for i in range(5000000):
3 a = np.zeros((100,10))
4 a = np.zeros((100,10))
5 a = np.zeros((100,10))
Wall time: 17.1 s
1 %%time
2 b = np.zeros((100,10))
3 for i in range(5000000):
4 a = b.copy()
5 a = b.copy()
6 a = b.copy()
Wall time: 15.1 s
貌似先开一个，之后copy比较快，不过差异不明显
range() 还是 np.arrange()，最近用 array 有点多，经常啥都开 array
1 %%time 2 for p in range(50000): 3 a = np.arange(100000)
Wall time: 3.72 s
%%time for p in range(50000): a = range(100000)
Wall time: 31 ms
差距还是非常明显（不用想都知道2333），如果不需要用 array 方法的时候，还是 list 好了
访问 list 等下标，用 range(长度)，不过先保存长度成常量还是多次用 len 方法
1 %%time
2 a = np.arange(100000)
3 l = len(a)
4 for p in range(50000000):
5 range(l)
Wall time: 23.3 s
1 %%time
2 a = np.arange(100000)
3 for p in range(50000000):
4 range(len(a))
Wall time: 27.9 s
就这样看，应该调用 len 方法还是有点慢的，虽然差异也不是非常大，len 应该不是 O(n) 实现，可能是对象直接保存的一个属性，不过访问起来还是先存下来更快点
遍历一个 array ，同时使用标号
我会遍历下标长度的一个 list 来遍历它，用 zip 把标号和 array 合并，或者 emunerate ，或者干脆维护一个 id，循环中累加
1 %%time
2 for i in range(5000000):
3 a = np.arange(10,30)
4 l = len(a)
5 for id in range(l):
6 x = id+a[id]
Wall time: 50 s
1 %%time
2 for i in range(5000000):
3 a = np.arange(10,30)
4 b = zip(range(len(a)),a)
5 for item1,item2 in b:
6 x = item1+item2
Wall time: 51.2 s
1 %%time
2 for i in range(5000000):
3 a = np.arange(10,30)
4 c = enumerate(a)
5 for item1,item2 in c:
6 x = item1+item2
Wall time: 52.3 s
1 %%time
2 for i in range(5000000):
3 a = np.arange(10,30)
4 d = zip(np.arange(len(a)),a)
5 for item1,item2 in d:
6 x = item1+item2
Wall time: 52.9 s
1 %%time
2 for i in range(5000000):
3 a = np.arange(10,30)
4 id = 0
5 for item in a:
6 x = id+item
7 id += 1
Wall time: 1min 1s
看上去只有维护 id 累加最慢，其他都差别不太大，那只要条件允许大概还是按 C 的习惯开一个下标的 list 来遍历下标好了