• 什么是 NumPy
  

• 为什么 NumPy 很快？
  

• 哪些用户在使用 NumPy？
  

什么是 NumPy

在 Python 体系中，NumPy 是一个科学计算领域的基础组件。几乎可以这么说，没有 NumPy 就没有今天庞大的 Python 科学计算帝国。它提供了一套多维度数组的实现，多维数组的一些变种以及一套数组操作的方法。这些方法中有数学，逻辑，维度，排序，选择，输入输出，离散傅立叶变换，线性代数，统计，随机模拟等等。

NumPy 的核心是一个叫做`ndarray`的对象。它是由 n 维同类型的数据，加上对应的一组高性能操作组成的。NumPy 的数组和 Python 的序列之间有几个重要的不同点：

• NumPy 的数组是固定大校的，任何改变大小的行为都会重新创建一个新的数组，同时删除旧的数组。而 Python 的序列是动态增长的。

• NumPy 中的基本类型数据必需是相同类型的，也就是在内存中要占用相同的大小。一个例外是对象类型和 Python 的序列相同，是可以存储不同大小的对象。

• NumPy 可以比较容易的对大量数据进行高级数学等的一些操作，这些操作同时也会非常高效和简洁

• NumPy 被大量的科学计算和数学库使用，仅仅会使用 Python 的序列是不够的，同时必需要会使用 NumPy

序列的大小和计算的速度在科学计算中是非常重要的。举一个简单的例子，假设一个一维的数组和另一个相同长度的数组对应元素相乘。如果使用两个 Python 的 list（a 和 b）来实现，代码如下：

c = []for i in range(len(a)):    c.append(a[i] * b[i])

这段代码产生正确的结果，但是如果 a 和 b 每个都包含百万级别的数字，我们通过 Python 去循环计算的开销就太大了，如果我们使用 C 语言去完成相同的任务，开销会降低很多

for (i = 0; i < rows; i++) {  c[i] = a[i]*b[i];}

这段代码去掉了 Python 解释器解释和操作 Python 对象的开销，但是是以牺牲了 Python 编码的诸多好处为代价的。如果我们去增加数据的维度，比如变为两个维度，就有

for (i = 0; i < rows; i++) {  for (j = 0; j < columns; j++) {    c[i][j] = a[i][j]*b[i][j];  }}

NumPy 则同时具备这两种优点：简洁直观的标准模式和类似与 C 语言一样快速的计算速度：

c = a * b

事实上 NumPy 的方式更为简洁。这个例子展示了 NumPy 的两个基本的特点：向量化和传播。

为什么 NumPy 很快？

哪些用户在使用 NumPy？