python 算法库安装_Python数据科学计算库的安装和numpy简单应用

原标题：Python数据科学计算库的安装和numpy简单应用

前言

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。

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。

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：

Numpy数组简单示例

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。

小结

今天学习一下Python中的几个科学计算库的安装以及使用numpy进行简单的求和计算。希望通过上面的操作能帮助大家。如果你有什么好的意见，建议，或者有不同的看法，我都希望你留言和我们进行交流、讨论。

欢迎关注微信公众号，访问更多精彩：AiryData。

如需转载，请联系授权，谢谢合作。返回搜狐，查看更多

责任编辑：