python for循环，列表推导、numpy三者的运算速度对比

	在Python中，我们要尽量的对数据计算选择使用numpy格式，
	不要过得使用for，for循环计算效率很低，一般情况下，列表推导的计算速度介于两者之间。

	这里我将三者做一个对比，所做的案例就是将矩阵上的每个元素，
	在原来数值的基础上都加上1。这是一个简单的操作，对比一下，每种方法所花的计算的时间。

这里就是使用sklearn的美国加州房价的数据集的特征X作为我们的矩阵数据集。

import pandas as pd 
from sklearn.datasets import fetch_california_housing
HOUSE  = fetch_california_housing() 
X = HOUSE.data

这里的特征矩阵X是一个 20640行8列的数据集，类型为ndnarray

1. 使用for循环

%%time
RES = [] 
for i in range(X.shape[0]):
    res = [] 
    for j in range(X.shape[1]):
        res.append(X[i,j]+1) 
    RES.append(res) 
pd.DataFrame(RES).head(3)  

2.使用列表推导式
注意： 这里我将使用两层嵌套的列表推导
格式为：【 [expression for i in a ] for j in b 】expression包含 i，j的 表达式，类似于包含自变量为i，j的函数。

%%time 
res1 = pd.DataFrame([[(X[j,i]+1) for i in range(X.shape[1])] for j in range(X.shape[0])])
res1.head(3) 

不过令我奇怪的是这里所花的时间竟然比for循环还长

3. 直接使用numpy矩阵

%%time 
res2 = pd.DataFrame(X + 1) 
res2.head(3) 

很显然，计算速度快了可不是一点点呀。毕竟numpy的及时C++写的，所以，以后用到数据计算的时候，尽量使用numpy矩阵计算，少使用for循环。