马上注册，结交更多好友，享用更多功能^_^
您需要 登录 才可以下载或查看，没有账号？立即注册
x
本帖最后由 不二如是 于 2020-2-10 11:36 编辑
通过上一讲学习，是否感受到 Numpy 的丝般柔滑呢？！
好，本讲继续感受下 Numpy 自身语法的简洁和快速！
这次新建一个 py 文件。
先导入：
然后我先对 np.array() 有个充分了解。
使用该方法会将 tuple 和 list , array 或者其他的序列模式的数据转创建为 ndarray。
默认会创建一个新的 ndarray 。
列表的转换我们之前用过就不说了，元祖操作是一样滴～
range() 在 Py3 中会返回一个可迭代对象：
我们看看是否可以转为 ndarray：
可以，Numpy 中其实也有内置的同款操作 np.arange() ：
输出一样：
既然还是感受高效，那么先看这段代码：
f1 = range(100000)
[i**2 for i in f1]
结果不重要，用一个魔法方法修改代码：
f1 = range(100000)
%timeit [i**2 for i in f1]
%timeit 对于任意语句，它会自动多次执行以产生一个非常精确的平均执行时间。
下面的话是神马意思？
来解释下：
不同计算机速度不一样，大家以自己的为准。
我们接下来对比 np.arange() 的速度：
f2 = np.arange(100000)
%timeit f2**2
我擦！！
每次循环 10000 个，最好时间 68.7 μs ± 1.38 μs 。
注意： 1ms = 1000us 。
看到效率了吗，循环次数是之前的 1000 倍！
目前 Numpy 使用 CPU 加速，其他的库会用 GPU 加速，意味着更飞速！
有木有爱上 Numpy 的高效呢？！
下一讲，我们来学习多维数组～
代码包（可不下）：
secondNparray.zip
(318 Bytes, 下载次数: 9, 售价: 3 鱼币)
如果有收获，别忘了评分 ：
如果想看更多，请订阅 淘专辑（ 传送门）（ 不喜欢更要订阅 ） | 
( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)
狗仔卡
发表于 2020-2-10 08:16:43
置顶卡
千斤顶
显身卡
发表于 2020-2-10 08:27:11
发表于 2020-2-10 08:54:46
楼主