python对列表中的数值进行统计运算_数值计算库numpy

1.初识numpy

‘‘‘ndarray:

N维数组类型ndarray，它描述了相同类型的“items”集合‘‘‘

importnumpy#存储数据

score =numpy.array([

[80,89,86,67,79],

[78,97,89,67,81],

[90,94,90,67,69],

[91,91,90,67,69],

[76,87,75,67,86],

[70,79,84,67,84],

[94,92,93,67,64],

[86,85,83,67,80]

])print(score,"\n",type(score))

View Code

2.ndarray与python原生list对比

importnumpyimporttimeimportrandom

a=[]for i in range(100000000):

a.append(random.random())

t1=time.time()

sum1=sum(a)

t2=time.time()

b=numpy.array(a)

t4=time.time()#numpy求和

sum3 =numpy.sum(b)

t5=time.time()print(t2-t1,t5-t4)

View Code

3.ndarray的优势

ndarray的优势

1.存储风格

ndarray - 相同类型 - 通用性差 顺序存储

list - 不同类型 - 通用性强 链式存储

2.并行化计算

ndarray支持向量化运算

3.底层语言

Numpy底层使用C语言编写,内部接触了GIL(全局解释器锁)，可支持多处理机，

其对数据的操作速度不受Python解释器的限制,效率远高于纯Python代码

4.ndarray的属性

importnumpy#ndarray的属性

score=numpy.array([

[80,89,86,67,79],

[78,97,89,67,81],

[90,94,90,67,69],

[91,91,90,67,69],

[76,87,75,67,86],

[70,79,84,67,84],

[94,92,93,67,64],

[86,85,83,67,80]

])#数组的行列 (8, 5)

print(score.shape)#数组的维度

print(score.ndim)#数组的元素个数

print(score.size)#数组的类型 int32

print(score.dtype)#数组中每个元素所占的字节数 4

print(score.itemsize)#数组中各元素的虚部

print(score.imag)

View Code

5.ndarray的形状

名称描述

bool_

布尔型数据类型（True 或者 False）