---
id: 5e9a093a74c4063ca6f7c157
title: Numpy-Algebra und Größe
challengeType: 11
videoId: XAT97YLOKD8
bilibiliIds:
  aid: 250621433
  bvid: BV1hv41137uM
  cid: 409013128
dashedName: numpy-algebra-and-size
---

# --description--

*Anstatt, wie in dem Video gezeigt, notebooks.ai zu verwenden, kannst du auch Google Colab verwenden.*

Weitere Ressourcen:

-  <a href="https://github.com/ine-rmotr-curriculum/freecodecamp-intro-to-numpy" target="_blank" rel="noopener noreferrer nofollow">Notebooks auf GitHub</a>
-  <a href="https://colab.research.google.com/github/googlecolab/colabtools/blob/master/notebooks/colab-github-demo.ipynb" target="_blank" rel="noopener noreferrer nofollow">Wie man Notebooks über Github mit Google Colab öffnet.</a>

# --question--

## --text--

Was ist die Beziehung zwischen der Größe von Objekten (wie Listen und Datentypen) im Speicher in Pythons Standardbibliothek und der NumPy Bibliothek? Was sind die Auswirkungen auf die Leistung?

## --answers--

Standard Python-Objekte benötigen viel mehr Speicher als NumPy-Objekte; Operationen an ähnlichen Standard-Python- und NumPy-Objekten benötigen etwa gleich viel Zeit.

---

NumPy-Objekte benötigen viel mehr Speicher als standardmäßige Python-Objekte; die Operationen an NumPy-Objekten sind im Vergleich zu ähnlichen Standard-Python-Objekten sehr schnell abgeschlossen.

---

NumPy-Objekte benötigen viel weniger Speicher als Standard-Python-Objekte; die Operationen an Standard-Python-Objekten sind im Vergleich zu ähnlichen NumPy-Objekten sehr schnell abeschlossen.

---

Standard-Python-Objekte benötigen mehr Speicher als NumPy-Objekte; Operationen mit NumPy-Objekten werden im Vergleich zu vergleichbaren Objekten in Standard-Python sehr schnell abgeschlossen.

## --video-solution--

4