网站设计公司有用吗,长春建网站一般要多少钱,做培训的网站,外贸网络做推广公司目录 1. 深入理解 NumPy 的内存视图与拷贝1.1 内存视图#xff08;View#xff09;1.1.1 创建视图1.1.2 视图的特点 1.2 数组拷贝#xff08;Copy#xff09;1.2.1 创建拷贝1.2.2 拷贝的特点 1.3 视图与拷贝的选择 2. NumPy 的优化与性能提升技巧2.1 向量化操作示例#x… 目录 1. 深入理解 NumPy 的内存视图与拷贝1.1 内存视图View1.1.1 创建视图1.1.2 视图的特点 1.2 数组拷贝Copy1.2.1 创建拷贝1.2.2 拷贝的特点 1.3 视图与拷贝的选择 2. NumPy 的优化与性能提升技巧2.1 向量化操作示例向量化替代循环 2.2 使用内存视图而非拷贝2.3 使用合适的数据类型2.4 并行计算2.5 使用 numexpr 和 Numba 加速 3. 探索 np.linalg 模块的高级线性代数运算3.1 矩阵乘法3.2 求解线性方程组3.3 计算矩阵的逆3.4 特征值和特征向量3.5 奇异值分解SVD 总结 在基础学习的基础上接下来我们将深入探索 NumPy 的三个重要主题内存视图与拷贝、性能优化技巧 和 高级线性代数运算。通过掌握这些内容你将能够更高效地处理大型数据、优化计算性能并在实际应用中使用高级的线性代数工具。 1. 深入理解 NumPy 的内存视图与拷贝
1.1 内存视图View
内存视图 是对原始数组数据的引用而不是数据的副本。通过视图修改数据会影响原始数组。视图不会占用额外的内存非常适合大数据处理。
NumPy 中的内存视图通常指的就是ndarray 数组类型的切片。
1.1.1 创建视图
import numpy as nparr np.array([1, 2, 3, 4, 5])# 创建一个视图
view arr[1:4]
print(View:, view) # 输出: [2 3 4]# 修改视图
view[0] 99
print(Original Array:, arr) # 输出: [ 1 99 3 4 5]1.1.2 视图的特点
视图和原数组共享相同的内存。视图的修改会影响原数组。视图的创建效率高不涉及数据复制。
1.2 数组拷贝Copy
拷贝 是对原始数据的完整复制修改拷贝不会影响原数组。拷贝适合需要保持原数据不变的场景。
1.2.1 创建拷贝
arr np.array([1, 2, 3, 4, 5])# 创建一个拷贝
copy arr[1:4].copy()
print(Copy:, copy) # 输出: [2 3 4]# 修改拷贝
copy[0] 99
print(Original Array:, arr) # 输出: [1 2 3 4 5]1.2.2 拷贝的特点
拷贝与原数组独立存储。拷贝的修改不会影响原数组。创建拷贝需要额外的内存和时间。
1.3 视图与拷贝的选择
使用视图在内存敏感和数据量大的情况下使用视图提高效率。使用拷贝在需要保护原始数据时使用拷贝避免数据被意外修改。 2. NumPy 的优化与性能提升技巧
2.1 向量化操作
NumPy 的向量化操作利用底层 C 语言实现的高效算法避免了 Python 的 for 循环极大提高了性能。
示例向量化替代循环
import numpy as np# 使用循环计算平方
arr np.array([1, 2, 3, 4, 5])
squared_loop [x**2 for x in arr]# 使用向量化计算平方
squared_vectorized arr**2print(squared_vectorized) # 输出: [ 1 4 9 16 25]2.2 使用内存视图而非拷贝
避免不必要的数据拷贝使用视图可以节省内存和时间。
arr np.random.rand(10000)# 使用视图进行切片
view arr[:5000]2.3 使用合适的数据类型
选择合适的数据类型可以减少内存消耗和提高计算速度。
# 使用 float32 而不是 float64
arr np.array([1.2, 3.4, 5.6], dtypenp.float32)2.4 并行计算
NumPy 在底层对一些操作进行了并行化例如矩阵乘法、求和等。
A np.random.rand(1000, 1000)
B np.random.rand(1000, 1000)# 并行执行矩阵乘法
result np.dot(A, B)2.5 使用 numexpr 和 Numba 加速
numexpr用于加速复杂的数学表达式。Numba通过 Just-In-Time (JIT) 编译加速 Python 函数。
import numexpr as ne
import numpy as npa np.random.rand(1000000)
b np.random.rand(1000000)# 使用 numexpr 加速计算
result ne.evaluate(a b)详情见此博客【NumPy】使用numexpr和Numba加速运算 3. 探索 np.linalg 模块的高级线性代数运算
NumPy 的 np.linalg 模块提供了许多高级线性代数功能包括矩阵分解、求解线性方程组、特征值分解等。
3.1 矩阵乘法
import numpy as npA np.array([[1, 2], [3, 4]])
B np.array([[5, 6], [7, 8]])# 矩阵乘法
result np.dot(A, B)
print(result)输出
[[19 22][43 50]]3.2 求解线性方程组
求解形如 A x b Ax b Axb 的线性方程组。
A np.array([[3, 1], [1, 2]])
b np.array([9, 8])x np.linalg.solve(A, b)
print(x)输出
[2. 3.]3.3 计算矩阵的逆
A np.array([[1, 2], [3, 4]])
inv_A np.linalg.inv(A)
print(inv_A)输出
[[-2. 1. ][ 1.5 -0.5]]3.4 特征值和特征向量
A np.array([[4, -2], [1, 1]])# 计算特征值和特征向量
eigenvalues, eigenvectors np.linalg.eig(A)
print(Eigenvalues:, eigenvalues)
print(Eigenvectors:\n, eigenvectors)3.5 奇异值分解SVD
A np.array([[1, 2], [3, 4]])U, S, VT np.linalg.svd(A)
print(U:\n, U)
print(S:\n, S)
print(VT:\n, VT)总结
通过深入学习以上内容你可以更灵活、高效地使用 NumPy
内存视图与拷贝理解何时使用视图、何时使用拷贝。性能优化技巧利用向量化、合适的数据类型和并行计算来提升性能。高级线性代数运算使用 np.linalg 模块解决复杂的线性代数问题。
继续练习这些概念和技巧将帮助你在数据科学、机器学习和科学计算领域更上一层楼
