我正在对算法进行时间复杂度分析，需要知道某些numpy操作有哪些复杂性。
对于一些人，我认为它们与基础数学运算相匹配。像np.dot(array1, array2)一样是O（n）。对于其他人，我不太确定。例如，np.array(my_array) O（1）？还是O（n）？它只是重新分配一个指针，还是在列表上迭代并复制出每个值？
我想确定每个操作的复杂性。有什么地方我可以找到这些信息吗？或者我应该假设它们与数学运算相匹配？
BigO复杂性通常不用于Python和numpy。它衡量代码如何随问题规模扩展。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的Python和编译代码的混合。两者都可以具有相同的bigO，但解释版本将慢几个数量级。这就是为什么大多数关于提高numpy速度的SO问题，谈论'去除循环'和'向量化'。
也很少有操作是纯O（n）;大多数是混合。有一个设置成本，加上每个元素的成本。如果每元素成本很小，则设置成本占主导地位。
如果从列表开始，则在列表上迭代通常会更快，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，那么尽可能避免（python级别）迭代。迭代是大多数计算的一部分，但是numpy允许你在更快的编译代码中做很多事情（更快的O（n））。
在某些时候，你必须了解numpy如何存储其数组。 view和copy之间的区别很重要。视图实际上是O（1），副本O（n）。
通常你会看到SO答案做timeit速度比较。我经常添加警告，结果可能会随着问题的大小而变化。更好的答案将解决各种尺寸问题，并在一个漂亮的情节上显示结果。结果通常是直线（O（n））和曲线（O（1）和O（n）组分的不同混合物）的混合物。
你特意问过np.array。以下是一些示例时间：
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)
没有副本：
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：
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)
numpy中的几乎所有计算都是O（n）。如果它涉及数组的每个元素，速度将取决于数组的大小。一些数组操作是O（1），例如重新整形，因为它们实际上并没有对数据做任何事情;它们改变了形状和步幅等属性。
搜索问题通常比O（n）增长得快;通常numpy不是那种问题的最佳选择。智能使用Python列表和词典可以更快。
对于具体示例np.array(my_array)，因为它需要遍历my_array的所有元素，分配内存并初始化值，它以线性时间发生。
有一个python模块big_O，可用于从执行时间分析函数的复杂性。
有关更多信息，请参阅此link