【Python - Numpy】Numpy的优势及多维数组对象ndarray

NumPy比Python自有方法和对象的优势

Numpy之所以在Python数据分析中占有重要地位，原因之一就是它的设计对于含有大量数组的数据非常高效。

a、NumPy是在一个连续的内存块中存储数据，独立于其他Python内置对象。NumPy的算法库是用C语言编写的，在操作数据内存不必进行类型检查或其它管理工作。比起Python的内置序列，NumPy数组使用的内存更少。
b、NumPy可以在整个数组上执行复杂的计算，而不需要Python的循环操作。

那么，Numpy到底是如何达到如此高效的？这就跟Numpy的多维数组对象ndarray内部设计相关：

ndarray对象内部构造

Numpy的ndarray可以让我们把一组同构数据作为一个多维的数组对象。

• 数据类型，即dtype，会决定一个数据以何种类型被读取，比如浮点，整数，布尔，或其他一些数据类型。

ndarray之所以很灵活，是因为每一个数组对象是一块数据的分步视图。
在使用ndarray时，你可能会感到奇怪，为什么一个数组的视图（array view），arr[::2, ::-1]不会复制任何数据。其原因是ndarray不仅是一大块内存和一种数据类型，它还有步长信息，能让数组以不同的跨度在内存中进行移动。

更确切一点说，ndarray内部包含以下内容：
• 数据指针，在RAM中的一块数据或在内存映射文件中的数据。
• 数据类型，用来描述数组中固定大小的单元。
• 一个用来描述数组形状（shape）的元组（tuple）。
• 一个保存步长（strides）的元组，整数表明每一步的字节大小，好让元素沿着一个方向推进。

看下图显示了一个ndarray对象的内在构成：

比如，一个10x5的数组，形状是(10, 5):

import numpy as np
np.ones((10, 5)).shape
(10, 5)

一个典型的3x4x5数组，类型为float64(8-byte)，跨度为(160, 40, 8)（对于跨度的使用要小心，通常情况下，在某一维度上的跨度越大，运算消耗越大）：
一个值是8字节，所以一个数字之间的跨度是8，在第一个维度上，有三个4x5的矩阵，所以每个之间是4x5x8=160个字节的跨度。

np