为什么数据分析要用到 Numpy？

一旦提到数据分析，我想大家会不约而同地想到利用 Python 来编写相关的程序，Python 在数据分析方面的优势是得天独厚的。数据分析的一大特点就是数据量大，并且数据之间拥有一定的结构关联。 比如说我们爬取电影数据，那么每部电影都会有名称、简介、演员、时长、评论等信息，这时候我们可以使用列表、字典等数据结构来存储。

• 当我们使用列表来存储时，我们只能使用下标来进行取值，要想准确地查找某一个数据，要么遍历，要么记住下标，显然前者浪费性能，后者更是天方夜谭。

• 当我们使用字典来遍历时，利用名称、简介等列名来查找对应的数据，例如利用字典的键去获取值。当我们要查找一部电影的全部数据，也就是一行数据，这又变得困难了起来。

可以看出，不管哪一种存储方式，都存在显示不明显、操作不方便的问题。

这对于一生要强的 Python 程序员是不可接受的，于是开发出了方便又快捷的 NumPy。NumPy 是处理层次性、结构性数据的一把利剑，利用 NumPy 我们不仅可以完成一维数组平均数、方差等统计操作，还可以进行四则运算的算术操作，对于多维数组的运算更是游刃有余。

接下来，让我们开启 Numpy 的学习之旅吧。

NumPy 是什么？

NumPy 也就是 “Numeric Python”，它是 Python 进行数值计算的一个类库，用来计算、处理高阶矩阵和数组。和 Math、Time 库一样，NumPy 是 Python 中的一个扩展库，提供了 Python 原生所不具备的多维数组对象（类似生活中使用的表格）。另外，NumPy 还有线性代数中的矩阵运算功能等，这为科研和实际工作都带来了不少的便捷。

NumPy 是由 Numeric 程序包发展而来的，从其诞生至今仍在不断扩展完善。如今，它在全球范围内被广泛使用，成为众多程序员的心头爱。除了设计者的奇思妙想之外，很大程度上是因为 NumPy 作为一个开源项目，它由许多协作者共同开发维护。

学习 NumPy，我们主要领悟面向数组编程的方法与思维。NumPy 的核心利器 ndarray——多维数组对象，对于常见的数组、矩阵都有着较好的适配性。这能为我们解决日常生活中常见的表格、矩阵数据提供较为适合的工具。NumPy 广泛应用在逻辑处理、科学计算、图像处理、数据分析、人工智能等场景。NumPy 是数据计算领域的核心库，可以对 Pandas、Intake、PyJanitor 提取、转换和加载，也可以配合 Jupyter、Seaborn、Matplotlib、Altair 使用。

NumPy 的优势有哪些？

NumPy 能够在科学计算领域得到广泛的运用，有着丰富的应用生态，肯定有着它的优势，下面我们就来看看 NumPy 的优势是什么。

1. 代码简洁

NumPy 是基于 C 语言编写的 Python 程序，可以调用很多 C 语言的 API，这就意味着其有着较强的计算能力，同时 Python 编写的程序也是比其他编程语言更加简洁易懂。

例如，我们有一个水果店的价格表，现在由于房租上涨，每个水果的价格要上涨一元，利用传统列表方式一定是利用多重循环的方式遍历每一个数据项。而 NumPy 不同，NumPy 对于 n 维数据的计算方式都是一样的，利用一行指令即可对所有数据进行遍历。

下面我们来比较一下利用 Python 循环的方式处理数据和利用 Numpy 处理数据，究竟哪种方法的代码更为简洁吧！水果价格展示如下：

苹果	草莓	西瓜	荔枝
5	4	6	2

首先，我们先利用 Python 自带的列表数据结构来存储水果价格数据，并通过循环的方式处理每一个数据。  

</