python计算密集型提速_揭秘Numpy“高效使用哲学”，数值计算再提速10倍！

读过很多讲解Numpy的教程后，我准备写一个Numpy系列。结合工作项目实践，以Numpy高效使用哲学为主线，重点讲解高频使用函数。

1 Numpy更高效

使用Python的地方，就能看到Numpy，尤其是需要数值计算的地方，Numpy的高性能更是体现的淋漓尽致。

它基于Python，提供远高于Python的高性能向量、矩阵和更高维度的数据结构。之所以性能高是由于它在密集型计算任务中，向量化操作是用C和Fortran代码实现。

2 导入Numpy

只需要一行代码就能导入：

在numpy包中，描述向量，矩阵和更高维度的数据集使用的术语是.

3 生成numpy数组

有许多方法能初始化一个新的numpy数组，例如：, 等，从文件中读入数据，从python的lists等都能生成新的向量和矩阵数组。例：

v和m的类型都是ndarray，这是numpy中最主要的数据结构之一

v和m的不同仅仅是它们的形状(shape), 我们能通过ndarray.shape属性发现它们的形状信息，shape属性很有用，尤其在深度学习模型调试中：

numpy中获取元素个数通过size：

4 为什么要用numpy?

到此，看起来非常像Python的list, 那我们为什么不用Python的list计算，干嘛非要创造一个新的数组(array)类型呢？

有多个原因：

Python的list是一个通用结构。Python的list能包括任意类型的对象，并且是动态类型, 它们不支持一些数学函数，比如矩阵的点乘，实现如此的函数对于Python的list而言，不会高效，因为它是动态类型

Numpy的array是静态类型和同质的，当array被创建时，元素的类型就确定

Numpy的array更节省内存

由于是静态类型，一些数学函数实现起来会更快，例如array间的加减乘除能够用C和Fortran实现

使用ndarray.dtype, 我们能看到一个数组内元素的类型：

如果我们尝试用str类型赋值给m，会报错：

创建数组时，能指定类型，通过为dtype赋值：

dtype更多取值：, , , , , 我们还可以显示的定义数据位数的类型，如：, , ,

明天推送此系列的第二篇，欢迎关注「Python3分钟」，这里全是Python和数据科学系列的好文章：