一、numpy介绍

1、numpy
数值计算库
num - numerical 数值化的
py - python

2、numpy是一个开源的python科学计算库，用于快速处理任意维度的数组
numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用numpy比直接使用python要简洁的多
numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器

二、ndarray介绍

1、numpy提供了一个n维数组类型ndarry，它描述了相同类型的items的集合

2、ndarray
n - 任意个
d - dimension 维度
array - 数组

3、用numpy存储

import numpy as npscore = np.array([[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[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]])score

三、ndarray与python原生list运算效率对比

1、使用python列表可以存储一维数组，通过列表的嵌套可以实现多维数组，那么为什么还需要使用numpy的dnarray呢？

2、我们通过一段代码运行来体会到ndarray的好处

# ndarray与python原生list运算效率对比
import random
import time
import numpy as np# 生成一个大数组
a = []
for i in range(100000000):a.append(random.random())# 原生python list求和
t1 = time.time()
sum1 = sum(a)
t2 = time.time()# ndarray求和
b = np.array(a)
t4 = time.time()
sum3 = np.sum(b)
t5 = time.time()print(t2-t1, t5-t4)

时间相差近6倍

3、从中我们看到ndarray的计算速度要快很多，节约了时间

4、机器学习的最大特点就是大量的数据运算，那么如果没有一个快速的解决方案，那可能现在python也在机器学习领域达不到好的效果

5、numpy专门针对ndarray的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于python中的嵌套列表，数组越大，numpy的优势就越明显

四、ndarray的优势

1、内存块存储风格
ndarray - 相同类型，通用性差
list - 不同类型，通用性强

从图中我们可以看出ndarray在存储数据的时候，数据与数据地址都是连续的，这样就给使得批量操作数据元素的速度更快

这时因为ndarray中的所有元素的类型都是相同的，而python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性方面ndarray不及python原生list，但是在科学计算中，ndarray就可以省掉很多循环语句，代码使用方面比python原生list简单的多

2、并行化运算
ndarray支持并行化运算（向量化运算）

3、底层语言
numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受python解释器的限制，效率远高于纯python代码