numpy 代码优化（一）—— 常见手段

选择使用 numpy 库的应有之义就在于：应当以矢量化的方式（vectorized operations）来避免迭代操作（iterations），numpy 下的迭代操作执行起来十分耗时。

import numpy as np

x = np.linspace(0, 8*np.pi, 100)
y = np.cos(x)

# 一种矢量化的修改方式
x[y > 0] = 100

0. Python 中的循环

Python 是一种比 C/C# 更为动态的语言。Python 中的循环之所以执行较慢的原因在于，每进入一次循环，CPython 解释器都将执行一些额外的且费时的工作， specifically, it is binding the name x with the next object from the iterator, then when it evaluates the assignment it has to look up the name x again.

1. np.ndarray 为效率而设计的成员函数：

• np.ndarray.fill()（通过 C 或者 Fortran 实现）：执行多维数组初始化的动作，注意 fill() 函数不是 np 下的全局函数，而是 ndarray 的成员函数；

2. nditer：numpy 下高效的迭代操作