NumPy1.1: numpy简介

1.1NumPy是什么？

NumPy是一个开源的Python科学计算库，NumericalPython简写。
 

1.2NumPy有什么功能？

NumPy主要的功能之一用来操作数组和矩阵。
NumPy是科学计算、深度学习等高端领域的必备工具。
使用Tensor Flow、Caffe框架训练神经网络模型时，需要进行大量矩阵、数组等复杂的运算，可以直接使用NumPy里面的API.
NumPy还包含了很多常用的数学函数，覆盖了很多的数学领域，比如线性代数、傅里叶变换、随机数生成等。

Python+NumPy==Matlab

 

1.3为什么要使用NumPy?

(1)NumPy提供了很多高端的函数，可以对数组和矩阵进行复杂运算，比直接使用Python编码更高效;
(2)NumPy有超过10年历史，核心算法经过了长时间和多人验证，非常稳定；
(3)NumPy的核心算法都是由C语言编写，执行效率更高(参见1.6的实例)；
(4)NumPy扩展性非常好，很容易集成到其他语言中（Java, C#,JavaScript）;

(5)NumPy是开源的，免费，由广泛的社区支持。

 

1.4NumPy开发环境

Anaconda:包含NumPy
Eclips+pydev
Pycharm:
NumPy官网:http://www.numpy.org/
源码可以从git获取：
git clone git://github.com/numpy/numpy.git numpy
python setup.py  build

sudo python setup.py install --prefix=/usr/local

还是建议安装Anaconda包，其中包含多个常用python工具包；

Anaconda官网：https://www.anaconda.com/download/

官网有时比较慢，国内清华镜像：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

 

1.5 NumPy hello world

用arange()创建一个一维数组：

from numpy import arange
def sum(n):
    a=arange(n)**2    #数组每个元素2次方
    b = arange(n)*4
    print("a:",a)
    print("b:",b)
    c=a+b
    return c

print("arange(5):",arange(5))
print("sum(5):",sum(5))

输出结果：

arange(5): [0 1 2 3 4]
a: [ 0  1  4  9 16]
b: [ 0  4  8 12 16]
sum(5): [ 0  5 12 21 32]

创建并访问多维数组：

b=array([arange(5),arange(6)])
print(b)
print(b[0])
print(b[1])
print(b[0][2])

[array([0, 1, 2, 3, 4]) array([0, 1, 2, 3, 4, 5])]
[0 1 2 3 4]
[0 1 2 3 4 5]
2

1.6 举个向量加法实例，测试numpy效率

需求:

向量a: 1~n的平方和;

向量b: 1~n的立方和

求a+b,分别用基于numpy和原始python计算，对比运行效率；

import  sys
from datetime import  datetime
import numpy as np

def numpysum(n):
    a = np.arange(n)**2
    b = np.arange(n)**3
    c = a+b

    return c
def pythonsum(n):
    c = []
    for i in range(n):
        a = i**2
        b = i**3
        c.append(a+b)

    return c

size = int(sys.argv[1])
start = datetime.now()
c=pythonsum(size)
delta = datetime.now()-start
print("The last 2 elements of the sum",c[-2:])
print("PythonSum elapsed time in microsseconds:",delta.microseconds)

start = datetime.now()
c = numpysum(size)
delta = datetime.now()-start
print("The last 2 elements of the sum:",c[-2:])
print("NumpySum elapsed time in microseconds:",delta.microseconds)

运行结果：

leon@pc:~/work/py/numpy/test$ python numpy_time.py 10
The last 2 elements of the sum [576, 810]
PythonSum elapsed time in microsseconds: 10
The last 2 elements of the sum: [576 810]
NumpySum elapsed time in microseconds: 20

test 1: 求1！10时，numpy 需要20ms,比python 10ms慢

leon@pc:~/work/py/numpy/test$ python numpy_time.py 100
The last 2 elements of the sum [950796, 980100]
PythonSum elapsed time in microsseconds: 41
The last 2 elements of the sum: [950796 980100]
NumpySum elapsed time in microseconds: 20

test 2: 求1！100时，numpy 需要20ms,比python 41ms快一倍

leon@pc:~/work/py/numpy/test$ python numpy_time.py 1000
The last 2 elements of the sum [995007996, 998001000]
PythonSum elapsed time in microsseconds: 365
The last 2 elements of the sum: [995007996 998001000]
NumpySum elapsed time in microseconds: 23

test 3: 求1！1000时，numpy 需要23ms,比python 365ms快约16倍

leon@pc:~/work/py/numpy/test$ python numpy_time.py 10000
The last 2 elements of the sum [999500079996, 999800010000]
PythonSum elapsed time in microsseconds: 3690
The last 2 elements of the sum: [999500079996 999800010000]
NumpySum elapsed time in microseconds: 132

test 4: 求1！10000时，numpy 需要132ms,比python 3690ms快约28倍


leon@pc:~/work/py/numpy/test$ python numpy_time.py 100000
The last 2 elements of the sum [999950000799996, 999980000100000]
PythonSum elapsed time in microsseconds: 37803
The last 2 elements of the sum: [999950000799996 999980000100000]
NumpySum elapsed time in microseconds: 1654

test 5: 求1！100000时，numpy 需要132ms,比python 3690ms快约22倍

当然以上非严格统计，只是粗略测算运行效率，可见数据量略大后，效率相差二十多倍，numpy计算效率明显高于python