抄写下面的程序，并比较两种不同矩阵运算方式的速度： import numpy as np import time my_arr = np.arange(1000000) my_list = list(range(1000000)) beginTime = time.perf_counter() for _ in range(10): my_arr2 = my_arr * 2 tNp = time.perf_counter() -beginTime beginTime = time.perf_counter() for _ in range(10): my_list2 = [x * 2 for x in my_list] tList = time.perf_counter() -beginTime print("tNp = ", tNp) print("tList = ", tList)

代码如下：

import numpy as np
import time

my_arr = np.arange(1000000)
my_list = list(range(1000000))

beginTime = time.perf_counter()
for _ in range(10):
    my_arr2 = my_arr * 2
tNp = time.perf_counter() - beginTime

beginTime = time.perf_counter()
for _ in range(10):
    my_list2 = [x * 2 for x in my_list]
tList = time.perf_counter() - beginTime

print("tNp = ", tNp)
print("tList = ", tList)

这段代码分别使用了 NumPy 库和 Python 自带的列表来对一个长度为 1000000 的数组进行矩阵运算，比较两种运算方式的速度。其中，重要的是 `time.perf_counter()` 函数，它返回一个 CPU 时间，以秒为单位。

程序的运行结果可能略有不同，但一般来说，NumPy 库的速度要远远快于 Python 自带的列表。