这样学 2 天搞定 NumPy

NumPy系列已推送以下三篇：

图解入门 NumPy，来了！

介绍 NumPy 的五种玩法

NumPy 100 道练习题，原版 PDF

今天是施工专题NumPy部分最后一篇，一起重温NumPy中一些有趣且重大的特性。NumPy 最核心的一个对象：ndarray，封装的多维数组，除了存储数据本身外，还会记录元素类型即 dtype，且每个元素占用内存大小都均匀相等，如下创建 8 个 int64 型整数，计算总字节数的方法：

import numpy as np

a = np.arange(8).reshape(2,4)
a
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])

# 计算占用占用的字节数
a.size * a.itemsize
64

数据分析工作，NumPy二维数组用的多；数据挖掘的话，高维数组用的就会更多，NumPy的强项正在于此，正所谓Python没有的NumPy有，Python有的NumPy更强。如下，创建同样shape的随机数组，Python要比NumPy慢232倍：

In[5]: %timeit np.random.randint(1,1000,(100,1000))
332 µs ± 2.39 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
]


In[6]: import random

In[6]: %timeit [random.randint(1,100) for _ in range(100) for _ in range(1000)] 
77.2 ms ± 315 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

# 创建同样的(100,1000)的随机数组
# Python原生是NumPy计算耗时的232倍
In[7]: 77.2 * 1000 / 332 
232.53012048192772

NumPy 闪电处理速度，主要得益于操作直接发生在元素级，而 Python 会创建更多其他额外对象，数据处理性能上无法与NumPy相媲美。

正无穷在NumPy中是 np.inf，空值是 np.nan ，它们都是一个类对象。

更多知识，列如数据类型 int63, float32,…，astype类型转化，reshape函数，数组扁平操作ravel, flatten，切片和索引，按照向量的加减乘除，统计函数，等等

这本《NumPy 100页精华》PDF，拿出两三天时间，敲一遍，基本就算掌握NumPy了，如果对资料感兴趣，私信讨论，一起进步。