numpy如何直接在数组上进行添加_数据分析系列 24/32 | Python数据科学库的安装和numpy介绍

如何使用Python进行科学计算和数据分析，这里我们就要用到Python的科学计算库，今天来分享一下如何安装Python的数据科学计算库。

PART

01

数据科学计算库

Python中的数据科学计算库有Numpy、Scipy、pandas、matplotlib(前面我分享了一篇matplotlib的简单应用，历史文章上一篇就是)。

Numpy是一个基础性的Python库，为我们提供了常用的数值数组和函数。

Scipy是Python的科学计算库，对Numpy的功能进行了扩充，同时也有部分功能是重合的。Numpy和Scipy曾经共享过基础代码。

pandas是一个流行的开源Python项目，它的名称取panel data(面板数据，一个计量经济学的术语)和Python data analysis(Python数据分析)的意思。

matplotlib是一个基于Numpy的绘图库。

PART

02

库的安装

安装这些库之前要先安装Python，默认已全部安装，(Windows直接下载安装，Linux自带2.7版本，可以自行安装3.6版本)。

为了节约时间在更重要的知识上，这里只介绍最简单的安装方式，即包管理工具安装Python库。

不管是Windows和Linux下，都可以在命令行下直接使用下面的命令来安装相关的库，前提是已经安装了pip包(pip包管理工具的相关安装可以看原文这里有链接)：

pip install numpy scipy pandas matplotlib或(easy_install是Python自带的)easy_install numpy scipy pandas matplotlib#Linux下安装pip包sudo apt-get install python-pip

说明：Linux下如果涉及权限问题则需要开头添加sudo。安装示例如下所示：

PART

03

Numpy数组示例

我们已经安装好了numpy，然后就可以来个简单的小测试了。与传统的Python列表相比，进行数值运算时，numpy数组的效率要高的多。

完成相同的运算时，numpy代码和Python传统代码相比用到的显式循环语句明显要少，因为numpy是基于向量化的运算。

假设要对向量a和b进行求和，这里的向量指的是一个“一维数组”，a存放的是整数0到n-1的2次幂，如果n等于3，则a存的是0、1、4，向量b存的是整数0到n的3次幂，下面来看一下普通Python代码和numpy来计算的差别：

先看代码：

#filename:vectorsSum.pyimport sysfrom datetime import datetimeimport numpy as np#numpy方法def numpySum(n):    a = np.arange(n, dtype = 'int64')**2    #3次幂太大会溢出，注意(后面细说)    b = np.arange(n, dtype = 'int64')**3    c = a + b       return c#普通方法def pythonSum(n):    #range() 返回的是“range object”，而不是实际的list 值,所以这里要加上list    a = list(range(n))    b = list(range(n))    c = []       for i in range(len(a)):        a[i] = i ** 2        b[i] = i ** 3        c.append(a[i] + b[i])       return csize = int(sys.argv[1])start = datetime.now()c = pythonSum(size)delta = datetime.now() - startprint ("最后两个元素的和：", c[-2:])print ("pythonSum花费的时间(微秒)", delta.microseconds)start = datetime.now()c = numpySum(size)delta = datetime.now() - startprint ("最后两个元素的和：", c[-2:])print ("numpySum花费的时间(微秒)", delta.microseconds)

#下面测试一下对与1000个，2000个，3000个向量元素，运行结果如下图所示。
看一下运行结果：

上面的结果看到，numpy的计算效率比普通的方法要快不少，所以开始学习吧。后面分享更多，欢迎关注。

欢迎关注微信公众号，访问更多精彩：数据之魅。

如需转载，请联系授权，谢谢合作。