NumPy1.1: numpy简介

╰半夏微凉° 2022-06-01 23:55 215阅读 0赞

# 1.1NumPy是什么？ #

NumPy是一个开源的Python科学计算库，NumericalPython简写。

# 1.2NumPy有什么功能？ #

NumPy主要的功能之一用来操作数组和矩阵。  
NumPy是科学计算、深度学习等高端领域的必备工具。  
使用Tensor Flow、Caffe框架训练神经网络模型时，需要进行大量矩阵、数组等复杂的运算，可以直接使用NumPy里面的API.  
NumPy还包含了很多常用的数学函数，覆盖了很多的数学领域，比如线性代数、傅里叶变换、随机数生成等。

Python+NumPy==Matlab

# 1.3为什么要使用NumPy? #

(1)NumPy提供了很多高端的函数，可以对数组和矩阵进行复杂运算，比直接使用Python编码更高效;  
(2)NumPy有超过10年历史，核心算法经过了长时间和多人验证，非常稳定；  
(3)NumPy的核心算法都是由C语言编写，执行效率更高(参见1.6的实例)；  
(4)NumPy扩展性非常好，很容易集成到其他语言中（Java, C\#,JavaScript）;

(5)NumPy是开源的，免费，由广泛的社区支持。

# 1.4NumPy开发环境 #

Anaconda:包含NumPy  
Eclips+pydev  
Pycharm:  
NumPy官网:[http://www.numpy.org/][http_www.numpy.org]  
源码可以从git获取：  
git clone git://github.com/numpy/numpy.git numpy  
python setup.py  build

sudo python setup.py install --prefix=/usr/local

还是建议安装Anaconda包，其中包含多个常用python工具包；

Anaconda官网：[https://www.anaconda.com/download/][https_www.anaconda.com_download]

官网有时比较慢，国内清华镜像：[https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/][https_mirrors.tuna.tsinghua.edu.cn_anaconda_archive]

# 1.5 NumPy hello world #

用arange()创建一个一维数组：

from numpy import arange
    def sum(n):
        a=arange(n)**2    #数组每个元素2次方
        b = arange(n)*4
        print("a:",a)
        print("b:",b)
        c=a+b
        return c
    
    print("arange(5):",arange(5))
    print("sum(5):",sum(5))

输出结果：

arange(5): \[0 1 2 3 4\]  
a: \[ 0  1  4  9 16\]  
b: \[ 0  4  8 12 16\]  
sum(5): \[ 0  5 12 21 32\]

创建并访问多维数组：

b=array([arange(5),arange(6)])
    print(b)
    print(b[0])
    print(b[1])
    print(b[0][2])

\[array(\[0, 1, 2, 3, 4\]) array(\[0, 1, 2, 3, 4, 5\])\]  
\[0 1 2 3 4\]  
\[0 1 2 3 4 5\]  
2

# 1.6 举个向量加法实例，测试numpy效率 #

需求:

向量a: 1~n的平方和;

向量b: 1~n的立方和

求a+b,分别用基于numpy和原始python计算，对比运行效率；

import  sys
    from datetime import  datetime
    import numpy as np
    
    def numpysum(n):
        a = np.arange(n)**2
        b = np.arange(n)**3
        c = a+b
    
        return c
    def pythonsum(n):
        c = []
        for i in range(n):
            a = i**2
            b = i**3
            c.append(a+b)
    
        return c
    
    size = int(sys.argv[1])
    start = datetime.now()
    c=pythonsum(size)
    delta = datetime.now()-start
    print("The last 2 elements of the sum",c[-2:])
    print("PythonSum elapsed time in microsseconds:",delta.microseconds)
    
    start = datetime.now()
    c = numpysum(size)
    delta = datetime.now()-start
    print("The last 2 elements of the sum:",c[-2:])
    print("NumpySum elapsed time in microseconds:",delta.microseconds)

运行结果：

leon@pc:~/work/py/numpy/test$ python numpy_time.py 10
    The last 2 elements of the sum [576, 810]
    PythonSum elapsed time in microsseconds: 10
    The last 2 elements of the sum: [576 810]
    NumpySum elapsed time in microseconds: 20
    
    test 1: 求1！10时，numpy 需要20ms,比python 10ms慢
    
    leon@pc:~/work/py/numpy/test$ python numpy_time.py 100
    The last 2 elements of the sum [950796, 980100]
    PythonSum elapsed time in microsseconds: 41
    The last 2 elements of the sum: [950796 980100]
    NumpySum elapsed time in microseconds: 20
    
    test 2: 求1！100时，numpy 需要20ms,比python 41ms快一倍
    
    leon@pc:~/work/py/numpy/test$ python numpy_time.py 1000
    The last 2 elements of the sum [995007996, 998001000]
    PythonSum elapsed time in microsseconds: 365
    The last 2 elements of the sum: [995007996 998001000]
    NumpySum elapsed time in microseconds: 23
    
    test 3: 求1！1000时，numpy 需要23ms,比python 365ms快约16倍
    
    leon@pc:~/work/py/numpy/test$ python numpy_time.py 10000
    The last 2 elements of the sum [999500079996, 999800010000]
    PythonSum elapsed time in microsseconds: 3690
    The last 2 elements of the sum: [999500079996 999800010000]
    NumpySum elapsed time in microseconds: 132
    
    test 4: 求1！10000时，numpy 需要132ms,比python 3690ms快约28倍
    
    
    leon@pc:~/work/py/numpy/test$ python numpy_time.py 100000
    The last 2 elements of the sum [999950000799996, 999980000100000]
    PythonSum elapsed time in microsseconds: 37803
    The last 2 elements of the sum: [999950000799996 999980000100000]
    NumpySum elapsed time in microseconds: 1654
    
    test 5: 求1！100000时，numpy 需要132ms,比python 3690ms快约22倍

当然以上非严格统计，只是粗略测算运行效率，可见数据量略大后，效率相差二十多倍，numpy计算效率明显高于python

[http_www.numpy.org]: http://www.numpy.org/
[https_www.anaconda.com_download]: https://www.anaconda.com/download/
[https_mirrors.tuna.tsinghua.edu.cn_anaconda_archive]: https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/