利用Python进行数据分析（NumPy基础:数组与向量化计算）

• NumPy，是Numerical Python的简称，它是目前Python数值计算中最为重要的基础包。大多数计算包都提供了基于NumPy的科学函数功能，将NumPy的数组对象作为数据交换的通用语。

以下内容将会出现在NumPy中：

• ndarray,一种高效多维数组，提供了基于数组的便捷算术操作以及灵活的广播功能。
• 对所有数据进行快速的矩阵计算，而无需编写循环程序。
• 对硬盘中数组数据进行读写的工具，并对内存映射文件进行操作。
• 线性代数、随机数生成以及傅里叶变换功能。
• 用于连接NumPy到C、C++和FORTRAN语言类库的C语言API。

由于NumPy提供了一个非常易用的C语言API，这使得，将数据传递给用底层语言编写的外部类库，再由外部类库将计算结果按照NumPy数组的方式返回，变得非常简单。这个特征是的Python可以对存量C/C++/Fortran代码库进行封装，并为这些代码提供动态、易用的接口。
NumPy本身并不提供建模和科学函数，理解NumPy的数组以及基于数组的 计算将帮助你更高效地使用基于数组的工具，比如pandas。

下面的例子将展现NumPy与Python的不同，假设一个NumPy数组包含100万个整数，还有一个同样数据内容的Python列表:

import numpy as np
my_arr = np.arange(1000000)
my_list = list(range(1000000))

arange的使用详见：https://www.cnblogs.com/smartisn/p/12357463.html

现在我们同时对每个序列乘以2：

%time for _ in range(10):my_arr2 = my_arr * 2#这里的下划线就是一个变量，因为实际上这里没用到这个变量，所以用一个符号就可以了。
Wall time: 19.9 ms

%time for _ in range(10):my_list2 = [x * 2 for x in my_list]#%time是导入time模块
Wall time: 695 ms

NumPy的方法比Python方法要快10到100倍，并且使用的内存也更少。