Python金融大数据分析——第4章数据类型和结构笔记

墨蓝 2022-05-22 12:48 261阅读 0赞

*  第4章 数据类型和结构
    
     *  4.1 基本数据类型
        
         *  4.1.1 整数
         *  4.1.2 浮点数
         *  4.1.3 字符串
     *  4.2 基本数据结构
        
         *  4.2.1 元组
         *  4.2.2 列表
         *  4.2.3 离题：控制结构
         *  4.2.4 离题：函数式编程
         *  4.2.5 字典
         *  4.2.6 集合
     *  4.3 NumPy数据结构
        
         *  4.3.1 用 Pyhon 列表形成数组
         *  4.3.2 常规NumPy数组
         *  4.3.3 结构数组
     *  4.4 代码向量化
        
         *  4.4.1 基本向量化
     *  4.5 内存布局

# 第4章 数据类型和结构 #

## 4.1 基本数据类型 ##

### 4.1.1 整数 ###

a = 10
    type(a)  # int
    # 调用 blt_length 方法， 获得表现 int 对象所需的位数
    a.bit_length()  # 4
    a = 100000
    # 对象所赋的整数值越大， 需要的位数越多
    a.bit_length()  # 17
    googol = 10 ** 100
    googol.bit_length()  # 333

### 4.1.2 浮点数 ###

type(1 / 4)  # float
    b = 0.35
    type(b)  # float
    b + 0.1  # 0.44999999999999996

出现以上结果的原因是浮点数在内部以二进制形式表：也就是说． 十进制数 n ( O

c = 0.5
    c.as_integer_ratio()  # (1, 2)

as\_integer\_ratio()将一个float用分数表示出来,返回的是一个二元元组  
0.5可以精确保存． 因为它具备精确（有限）的二进制表示：0.5=1/2。但是. b=0.35和预期的实数0.35=7/20不同：

b.as_integer_ratio()  # (3152519739159347, 9007199254740992)

精度取决于表示数值所用的位数。 一般说， Python运行的所有平台使用IEEE 754双精度标准（ 64 位）作为内部表示。这相当于 15 位数字的相对精度。由于这个主题在多个金融应用领域中都很重要。有时候必须确保数值的精确（至少尽可能达到最佳）。例如，在加总一组数量很多的数值时， 这个问题就可能很重要。在这种情况下。某个种类或者幅度的表示误差可能汇聚起，造成和基准值的显著偏差。  
decimal 模块为浮点数提供了任意精确度的对象，以及使用这些数值时处理精度问题的多个选项：

import decimal
    from decimal import Decimal
    
    decimal.getcontext()
    # context(prec:2a, rounding=ROUND_HALF_EVEN, Emin=-999999999, Emax=999999,999, capitals=l, flags=[], traps=[Overflow, InvalidOperation, DivisionsyZero])
    d = Decimal(1) / Decimal(11)  # Decimal('0.09090909090909090909090909091')
    
    decimal.getcontext().prec = 4  # lower precision tha.n default
    e = Decimal(1) / Decimal(11)  # Decimal('0.09091')
    decimal.getcontext().prec = 50  # higher precision than default
    f = Decimal(1) / Decimal(11)  # Decimal('0.090909090909090909090909090909090909090909090909091')
    
    g = d + e + f  # Decimal('0.27272818181818181818181818181909090909090909090909')

### 4.1.3 字符串 ###

t = 'this is a string object'
    t.capitalize()  # 'This is a string object'
    t.split()  # ['this', 'is', 'a', 'string', 'object']
    t.find('string')  # 10
    t.find('Python')  # -1
    t.replace(' ', '|')  # 'this|is|a|string|object'
    'http://www.python.org'.strip('htp:/')  # 'www.python.org'

精选字符串方法

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th align="right">参数</th> 
   <th align="center">返回/结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>cpitalize</td> 
   <td align="right">()</td> 
   <td align="center">复制字符串，将第一个字符改成大写</td> 
  </tr> 
  <tr> 
   <td>count</td> 
   <td align="right">sub[,star[,end]])</td> 
   <td align="center">计算子字符串出现的次数</td> 
  </tr> 
  <tr> 
   <td>decode</td> 
   <td align="right">[encoding[,errors]])</td> 
   <td align="center">用encoding指定的编码方式（例如UTF-8）解码字将串</td> 
  </tr> 
  <tr> 
   <td>encode</td> 
   <td align="right">([encoding[,errors]])</td> 
   <td align="center">字符串编码形式</td> 
  </tr> 
  <tr> 
   <td>find</td> 
   <td align="right">(sub[,start[,end]])</td> 
   <td align="center">找到的子字符串（最低）索引</td> 
  </tr> 
  <tr> 
   <td>join</td> 
   <td align="right">(seq)</td> 
   <td align="center">连接seq序列中的字符串</td> 
  </tr> 
  <tr> 
   <td>replace</td> 
   <td align="right">(old,new[,count]) 用new替换前count个old</td> 
   <td align="center"></td> 
  </tr> 
  <tr> 
   <td>split</td> 
   <td align="right">([sep[,maxsplit]])</td> 
   <td align="center">字符串中的单词列表，以sep作为分隔符</td> 
  </tr> 
  <tr> 
   <td>splitlines</td> 
   <td align="right">([keepends])</td> 
   <td align="center">如果keepends为真,以行结束符/换行符分隔的行</td> 
  </tr> 
  <tr> 
   <td>strip</td> 
   <td align="right">(chars)</td> 
   <td align="center">从字符串首／尾删除chars中的字符</td> 
  </tr> 
  <tr> 
   <td>upper</td> 
   <td align="right">()</td> 
   <td align="center">复制字符串 ， 所有字母政为大写</td> 
  </tr> 
 </tbody> 
</table>

正则表达式

import re
    
    series = """
    '01/18/2014 13:00:00',100,'1st;
    '01/18/2014 13:30:00',110,'snd;
    '01/18/2014 14:00:00',120,'3rd;
    """
    dt = re.compile("'[0-9/:\s]+'")  # 正则两边的单引号必须有，不然匹配的结果都散了
    result = dt.findall(series)
    # ["'01/18/2014 13:00:00'", "'01/18/2014 13:30:00'", "'01/18/2014 14:00:00'"]
    
    from datetime import datetime
    
    pydt = datetime.strptime(result[0].replace("'", ""), '%m/%d/%Y %H:%M:%S')
    print(pydt)  # 2014-01-18 13:00:00

## 4.2 基本数据结构 ##

### 4.2.1 元组 ###

元组（tple）是一种高级的数据结构，但是其应用仍然相当简单有限， 通过在圆括号

t = (1, 2.5, 'data')
    type(t)  # tuple
    t = 1, 2.5, 'data'  # 可以去掉括号
    type(t)  # tuple
    # Python使用零起点编号，元组的第3个元素在索引位置2上
    t[2]  # 'data'
    type(t[2])  # str
    t.count('data')  # 1
    t.index('data')  # 2

### 4.2.2 列表 ###

与元组对象相比，列表（list）类型的对象更灵活、更强大。从金融角度看，许多工作只能用列表对象完成，例如存储股票报价和附加新数据。列表对象通过方括号定义。基本功能和行为与元组类似：

l = [1, 2.5, 'data']
    l.append([4, 3])  # [1, 2.5, 'data', [4, 3]]
    l.extend([4, 3])  # [1, 2.5, 'data', [4, 3], 4, 3]
    l.insert(1, 'insert')  # [1, 'insert', 2.5, 'data', [4, 3], 4, 3]
    l.append('data')  # [1, 'insert', 2.5, 'data', [4, 3], 4, 3, 'data']
    l.remove('data')  # [1, 'insert', 2.5, [4, 3], 4, 3, 'data'] 移除了第一个匹配的，如果不存在会报错
    p = l.pop(3)
    print(l, p)  # [1, 'insert', 2.5, 4, 3, 'data'] [4, 3]
    del l[0]  # ['insert', 2.5, 4, 3, 'data']

切片操作也很容易实现。这里的切片（Slicing）指的是将数据集分解为（感兴趣的）较小部分：

l = [1, 'insert', 2.5, 1.0, 1.5, 2.0]
    l[2:5]  # 3rd to 5th elements ['data', [4, 3], 4]
    # [2.5, 1.0, 1.5]

精选的列表对象操作和方法

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th align="right">参数</th> 
   <th align="center">返回/结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>l[i]=x</td> 
   <td align="right">[i]</td> 
   <td align="center">用x代替第i个元素</td> 
  </tr> 
  <tr> 
   <td>l[i:j:k]=s</td> 
   <td align="right">[i:j:k]</td> 
   <td align="center">用s代替从i到j-1号元素中的每第k个元素</td> 
  </tr> 
  <tr> 
   <td>append</td> 
   <td align="right">(x)</td> 
   <td align="center">在对象后附加x</td> 
  </tr> 
  <tr> 
   <td>count</td> 
   <td align="right">(x)</td> 
   <td align="center">对象x出现的次数</td> 
  </tr> 
  <tr> 
   <td>del l[i:j:k]</td> 
   <td align="right">[i:j:k]</td> 
   <td align="center">删除索引值从i到j-1号元素的每第k个元素</td> 
  </tr> 
  <tr> 
   <td>extend</td> 
   <td align="right">(s)</td> 
   <td align="center">将s的所有元素附加到对象</td> 
  </tr> 
  <tr> 
   <td>index</td> 
   <td align="right">(x[,i[,j]])</td> 
   <td align="center">元素i和j-1之间第一个x的索引</td> 
  </tr> 
  <tr> 
   <td>insert</td> 
   <td align="right">(i,x)++</td> 
   <td align="center">在索引i之前插入x</td> 
  </tr> 
  <tr> 
   <td>remove</td> 
   <td align="right">(i)</td> 
   <td align="center">删除索引为i的元素</td> 
  </tr> 
  <tr> 
   <td>pop</td> 
   <td align="right">(i)</td> 
   <td align="center">删除索引为i的元素并返回</td> 
  </tr> 
  <tr> 
   <td>reverse</td> 
   <td align="right">()</td> 
   <td align="center">颠倒所有项目的顺序</td> 
  </tr> 
  <tr> 
   <td>sort</td> 
   <td align="right">(cmp,[,key[,reverse]])</td> 
   <td align="center">排序所有项目</td> 
  </tr> 
 </tbody> 
</table>

### 4.2.3 离题：控制结构 ###

l = [1, 'insert', 2.5, 1.0, 1.5, 2.0]
    for element in l[2:5]:
        print(element ** 2)
    # 6.25
    # 1.0
    # 2.25
    
    r = range(0, 8, 1)  # start, end, step width
    type(r)  # range
    list(r)  # [0, 1, 2, 3, 4, 5, 6, 7]
    
    for i in range(2, 5):
        print(l[i] ** 2)
    # 6.25
    # 1.0
    # 2.25
    
    for i in range(1, 10):
        if i % 2 == 0:
            print('%d is even' % i)
        elif i % 3 == 0:
            print('%d is multiple of 3' % i)
        else:
            print('%d is odd' % i)
    # 1 is odd
    # 2 is even
    # 3 is multiple of 3
    # 4 is even
    # 5 is odd
    # 6 is even
    # 7 is odd
    # 8 is even
    # 9 is multiple of 3
    
    total = 0
    while total < 100:
        total += 1
    print(total)  # 100
    
    m = [i ** 2 for i in range(5)]  # [0, 1, 4, 9, 16]

### 4.2.4 离题：函数式编程 ###

Python也提供一些用于函数编程支持的工具一一即在一整组输入（在我们的例子中是列表对象）上应用某个函数。这些工具是过滤（filter）、映射（map）和归纳（reduce ）。但是， 我们首先需要个函数定义。从简单的功能出发， 考虑返回输入 x 的平方数的函数 f:

def f(x):
        return x ** 2
    
    
    f(2)  # 4
    
    
    def even(x):
        return x % 2 == 0
    
    
    even(3)  # False
    m = map(even, range(10))
    list(m)  # [True, False, True, False, True, False, True, False, True, False]
    m = map(lambda x: x ** 2, range(10))
    list(m)  # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
    f = filter(even, range(15))
    list(f)  # [0, 2, 4, 6, 8, 10, 12, 14]
    
    # 在Python 3里，reduce()函数已经被从全局名字空间里移除了，它现在被放置在fucntools模块里用的话要 先引入
    # from functools import reduce
    from functools import reduce
    
    reduce(lambda x, y: x + y, range(10))  # 45
    
    
    # 下面是非函数式实现：
    def cumsum(l):
        total = 0
        for elem in l:
            total += elem
        return total
    
    
    cumsum(range(10))  # 45

### 4.2.5 字典 ###

字典（dict）对象就是可以按照键码（可能是字符串对象）读取的数据字典 ， 也是一种可变序列． 是所谓的籍道存储。 列表对象是有序且可排序的． 而字典对象是元序 、 不可排序的。 示例最能够说明和列表对象的不同之处。 花括号是字典对象定义：

d = {
        'Name': 'Angela Merkel',
        'Country': 'Germany',
        'Profession': 'Chancelor',
        'Age': 60
    }
    type(d)  # dict
    print(d['Name'], d['Age'])  # Angela Merkel 60
    d.items()
    # dict_items([('Name', 'Angela Merkel'), ('Country', 'Germany'), ('Profession', 'Chancelor'), ('Age', 60)])
    birthday = True
    if birthday is True:
        d['Age'] += 1
    print(d['Age'])  # 61
    
    for item in d.items():
        print(item)
    # ('Name', 'Angela Merkel')
    # ('Country', 'Germany')
    # ('Profession', 'Chancelor')
    # ('Age', 61)
    
    for value in d.values():
        print(type(value))
    # <class 'str'>
    # <class 'str'>
    # <class 'str'>
    # <class 'int'>

字典对象精选操作和方法

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th align="right">参数</th> 
   <th align="center">返回/结果</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>d[k]</td> 
   <td align="right">[k]</td> 
   <td align="center">d中键码为k的项目</td> 
  </tr> 
  <tr> 
   <td>d[k]=x</td> 
   <td align="right">[k]</td> 
   <td align="center">将键码为k的项目设置为x</td> 
  </tr> 
  <tr> 
   <td>del d[k]</td> 
   <td align="right">[k]</td> 
   <td align="center">删除键码为k的项目</td> 
  </tr> 
  <tr> 
   <td>clear</td> 
   <td align="right">()</td> 
   <td align="center">删除所有项目</td> 
  </tr> 
  <tr> 
   <td>copy</td> 
   <td align="right">()</td> 
   <td align="center">创建一个拷贝</td> 
  </tr> 
  <tr> 
   <td>has_key</td> 
   <td align="right">(k)</td> 
   <td align="center">如果k是一个键码，为真</td> 
  </tr> 
  <tr> 
   <td>items</td> 
   <td align="right">()</td> 
   <td align="center">所有键-值对的拷贝</td> 
  </tr> 
  <tr> 
   <td>keys</td> 
   <td align="right">()</td> 
   <td align="center">所有键码的拷贝</td> 
  </tr> 
  <tr> 
   <td>popitem</td> 
   <td align="right">(k)</td> 
   <td align="center">返回并删除键码为k的项目</td> 
  </tr> 
  <tr> 
   <td>update</td> 
   <td align="right">([e])</td> 
   <td align="center">用来自e的项目更新字典项目</td> 
  </tr> 
  <tr> 
   <td>values</td> 
   <td align="right">()</td> 
   <td align="center">所有值得拷贝</td> 
  </tr> 
 </tbody> 
</table>

### 4.2.6 集合 ###

这种对象是其他对象的无序集合， 每个元素只包含一次：

s = set(['u', 'd', 'ud', 'du', 'd', 'du'])  # {
        'd', 'du', 'u', 'ud'}
    t = set(['d', 'dd', 'uu', 'u'])
    s.union(t)  # all of s and t {
        'd', 'dd', 'du', 'u', 'ud', 'uu'}
    s.intersection(t)  # both in s and t  {
        'd', 'u'}
    s.difference(t)  # in s but not t  {
        'du', 'ud'}
    t.difference(s)  # {
        'dd', 'uu'}
    s.symmetric_difference(t)  # in either one but not both  {
        'dd', 'du', 'ud', 'uu'}
    
    from random import randint
    
    l = [randint(0, 10) for i in range(1000)]
    l[:20]  # [6, 5, 4, 10, 1, 1, 6, 0, 2, 0, 5, 3, 3, 4, 6, 7, 2, 0, 3, 2]
    s = set(l)
    s  # {
        0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}

## 4.3 NumPy数据结构 ##

### 4.3.1 用 Pyhon 列表形成数组 ###

v = [0.5, 0, 75, 1, 0, 1.5, 2.0]  # vector of numbers
    m = [v, v, v]  # matrix of numbers
    # [[0.5, 0, 75, 1, 0, 1.5, 2.0],
    #  [0.5, 0, 75, 1, 0, 1.5, 2.0],
    #  [0.5, 0, 75, 1, 0, 1.5, 2.0]]
    m[1]  # [0.5, 0, 75, 1, 0, 1.5, 2.0]
    m[1][0]  # 0.5
    
    v1 = [0.5, 1.5]
    v2 = [1, 2]
    m = [v1, v2]  # [[0.5, 1.5], [1, 2]]
    c = [m, m]  # cube of numbers  [[[0.5, 1.5], [1, 2]], [[0.5, 1.5], [1, 2]]]
    c[1][1][0]  # 1
    
    v = [0.5, 0, 75, 1, 0, 1.5, 2.0]  # vector of numbers
    m = [v, v, v]  # matrix of numbers
    # [[0.5, 0, 75, 1, 0, 1.5, 2.0],
    #  [0.5, 0, 75, 1, 0, 1.5, 2.0],
    #  [0.5, 0, 75, 1, 0, 1.5, 2.0]]
    v[0] = 'Python'
    m
    # [['Python', 0, 75, 1, 0, 1.5, 2.0],
    #  ['Python', 0, 75, 1, 0, 1.5, 2.0],
    #  ['Python', 0, 75, 1, 0, 1.5, 2.0]]
    # 使用copy模块的deepcopy函数可以避免这一现象
    from copy import deepcopy
    
    v = [0.5, 0.75, 1.0, 1.5, 2.0]
    m = 3 * [deepcopy(v)]
    m
    # [[0.5, 0.75, 1.0, 1.5, 2.0],
    #  [0.5, 0.75, 1.0, 1.5, 2.0],
    #  [0.5, 0.75, 1.0, 1.5, 2.0]]
    
    v[0] = 'Python'
    m
    # [[0.5, 0.75, 1.0, 1.5, 2.0],
    #  [0.5, 0.75, 1.0, 1.5, 2.0],
    #  [0.5, 0.75, 1.0, 1.5, 2.0]]

### 4.3.2 常规NumPy数组 ###

import numpy as np
    
    a = np.array([0, 0.5, 1.0, 1.5, 2.0])
    type(a)  # numpy.ndarray
    a[:2]  # indexing as with list objects in 1 dimension
    # array([ 0. ,  0.5])
    
    a.sum()  # sum of all elements
    # 5.0
    a.std()  # standard deviation
    # 0.70710678118654757
    a.cumsum()  # running cumulative sum
    # array([ e. , 0.5, 1.5, 3. , 5. ])
    a * 2
    # array([ 0.,  1.,  2.,  3.,  4.])
    a ** 2
    # array([ 0.  ,  0.25,  1.  ,  2.25,  4.  ])
    np.sqrt(a)
    # array([ 0.        ,  0.70710678,  1.        ,  1.22474487,  1.41421356])
    
    b = np.array([a, a * 2])
    # array([[ 0. ,  0.5,  1. ,  1.5,  2. ],
    #        [ 0. ,  1. ,  2. ,  3. ,  4. ]])
    b[0]
    # array([ 0. ,  0.5,  1. ,  1.5,  2. ])
    
    b[0, 2]  # third element of first row
    # 1.0
    b.sum()
    # 15.0
    
    b.sum(axis=0)
    # sum along axis 0， i.e. column-wise sum
    # array([ 0. ,  1.5,  3. ,  4.5,  6. ])
    
    b.sum(axis=1)
    # sum along axis 11 i.e. row-wise sum
    # array([  5.,  10.])
    
    c = np.zeros((2, 3, 4), dtype='i', order='C')
    # array([[[0, 0, 0, 0],
    #         [0, 0, 0, 0],
    #         [0, 0, 0, 0]],
    #        [[0, 0, 0, 0],
    #         [0, 0, 0, 0],
    #         [0, 0, 0, 0]]], dtype=int32)
    
    d = np.ones_like(c, dtype='float16', order='C')
    # array([[[ 1.,  1.,  1.,  1.],
    #         [ 1.,  1.,  1.,  1.],
    #         [ 1.,  1.,  1.,  1.]],
    #        [[ 1.,  1.,  1.,  1.],
    #         [ 1.,  1.,  1.,  1.],
    #         [ 1.,  1.,  1.,  1.]]], dtype=float16)

Numpy dtype 对象

<table> 
 <thead> 
  <tr> 
   <th>dtype</th> 
   <th align="right">描述</th> 
   <th align="center">示例</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>t</td> 
   <td align="right">位域</td> 
   <td align="center">t4（4位）</td> 
  </tr> 
  <tr> 
   <td>b</td> 
   <td align="right">布尔值</td> 
   <td align="center">b（true 或者 false）</td> 
  </tr> 
  <tr> 
   <td>I</td> 
   <td align="right">整数</td> 
   <td align="center">i8（64位）</td> 
  </tr> 
  <tr> 
   <td>u</td> 
   <td align="right">无符号整数</td> 
   <td align="center">u8（64位）</td> 
  </tr> 
  <tr> 
   <td>f</td> 
   <td align="right">浮点数</td> 
   <td align="center">f8（64位）</td> 
  </tr> 
  <tr> 
   <td>c</td> 
   <td align="right">浮点负数</td> 
   <td align="center">c16（128位）</td> 
  </tr> 
  <tr> 
   <td>o</td> 
   <td align="right">对象</td> 
   <td align="center">O（指向对象的指针）</td> 
  </tr> 
  <tr> 
   <td>S,a</td> 
   <td align="right">字符串</td> 
   <td align="center">S24（24个字符串）</td> 
  </tr> 
  <tr> 
   <td>U</td> 
   <td align="right">Unicode</td> 
   <td align="center">U24（24个Unicode字符）</td> 
  </tr> 
  <tr> 
   <td>V</td> 
   <td align="right">其他</td> 
   <td align="center">V12（12字节数据块）</td> 
  </tr> 
 </tbody> 
</table>

练习

import random
    
    I = 5000
    % time mat = [[random.gauss(0, 1) for j in range(I)] for i in range(I)]
    # Wall time: 35.4 s
    
    from functools import reduce
    % time reduce(lambda x, y: x + y, \
           [reduce(lambda x, y: x + y, row) \
            for row in mat])
    # Wall time: 3.48 s
    import numpy as np
    % time mat = np.random.standard_normal((I, I))
    # Wall time: 1.13 s
    
    %time mat.sum()
    # Wall time: 88 ms

### 4.3.3 结构数组 ###

dt = np.dtype([('Name', 'S10'), ('Age', 'i4'), ('Height', 'f'), ('Children/Pets', 'i4', 2)])
    s = np.array([('Smith', 45, 1.83, (0, 1)),
                  ('Jones', 53, 1.72, (2, 2))], dtype=dt)
    s
    # array([(b'Smith', 45,  1.83000004, [0, 1]),
    #        (b'Jones', 53,  1.72000003, [2, 2])],
    #       dtype=[('Name', 'S10'), ('Age', '<i4'), ('Height', '<f4'), ('Children/Pets', '<i4', (2,))])
    
    s['Name']
    # array([b'Smith', b'Jones'],
    #       dtype='|S10')
    s['Height'].mean()
    # 1.7750001
    s[1]['Age']
    # 53

## 4.4 代码向量化 ##

代码的向量化是获得执行速度更快、更紧凑代码的一种策略。 基本思路是 “一次 ” 在一个复杂对象上进行操作，或者向其应用某个函数， 而不是通过在对象的单个元素上循环来进行。在Python中，函数式编程工具map、 filter 和 reduce 提供了向量化的手段。在某种意义上，NumPy的向最化探植于其核心之中。

### 4.4.1 基本向量化 ###

r = np.random.standard_normal((4, 3))
    r
    # array([[-0.86142195, -1.10576948, -1.72895607],
    #        [-0.52694343,  0.885586  ,  2.09117311],
    #        [ 1.17578779, -0.81735752, -0.79021266],
    #        [-0.16469963,  2.31507942,  0.17910542]])
    
    s = np.random.standard_normal((4, 3))
    s
    # array([[-0.40514995,  0.21406042, -0.89967644],
    #        [ 1.98133139, -2.29530214,  0.23899185],
    #        [-1.5984521 , -0.37488275,  1.52037602],
    #        [ 0.53853487,  0.79409684, -1.07606899]])
    r + s
    # array([[-1.2665719 , -0.89170906, -2.62863251],
    #        [ 1.45438796, -1.40971615,  2.33016495],
    #        [-0.42266431, -1.19224027,  0.73016336],
    #        [ 0.37383524,  3.10917626, -0.89696358]])
    
    # NuinPy还支持所谓的广播
    2 * r + 3
    # array([[ 1.2771561 ,  0.78846104, -0.45791214],
    #        [ 1.94611314,  4.77117199,  7.18234622],
    #        [ 5.35157558,  1.36528496,  1.41957468],
    #        [ 2.67060074,  7.63015885,  3.35821083]])
    s=np.random.standard_normal(3)
    # array([-0.97683636,  0.26286729, -1.17060774])
    r
    # array([[-0.86142195, -1.10576948, -1.72895607],
    #        [-0.52694343,  0.885586  ,  2.09117311],
    #        [ 1.17578779, -0.81735752, -0.79021266],
    #        [-0.16469963,  2.31507942,  0.17910542]])
    r + s
    # array([[-0.86142195, -1.10576948, -1.72895607],
    #        [-0.52694343,  0.885586  ,  2.09117311],
    #        [ 1.17578779, -0.81735752, -0.79021266],
    #        [-0.16469963,  2.31507942,  0.17910542]])
    # r和s的第一行相加
    r.transpose()  # 转置
    # array([[-0.86142195, -0.52694343,  1.17578779, -0.16469963],
    #        [-1.10576948,  0.885586  , -0.81735752,  2.31507942],
    #        [-1.72895607,  2.09117311, -0.79021266,  0.17910542]])
    np.shape(r.T)  # (3, 4)
    
    
    def f(x):
        return 3 * x + 5
    
    f(0.5)  # 6.5
    f(r)
    # array([[  2.41573416,   1.68269156,  -0.1868682 ],
    #        [  3.41916971,   7.65675799,  11.27351933],
    #        [  8.52736337,   2.54792744,   2.62936202],
    #        [  4.50590111,  11.94523827,   5.53731625]])

## 4.5 内存布局 ##

x = np.random.standard_normal((5, 10000000))
    y = 2 * x + 3
    C = np.array((x, y), order='C') # 类 C 语言内存布局（行优先）
    F = np.array((x, y), order='F') # 类 Fortran 内存布局（列优先）
    x = 0.0
    y = 0.0  # memory cleanup
    
    %timeit C.sum()
    # 1 loop, best of 3: 146 ms per loop
    
    %timeit F.sum()
    # 1 loop, best of 3: 145 ms per loop
    
    %timeit C[0].sum(axis=0)  # 对每列元素求和
    # 10 loops, best of 3: 130 ms per loop
    %timeit C[0].sum(axis=1)  # 对每行元素求和
    # 10 loops, best of 3: 73.5 ms per loop

行元素求和速度更快,这是因为每行元素都在相邻的存储位置上  
使用类Fortran内存布局：

%timeit F[0].sum(axis=0)  # 对每列元素求和
    # 1 loop, best of 3: 282 ms per loop
    %timeit F[0].sum(axis=1)  # 对每行元素求和
    # 1 loop, best of 3: 241 ms per loop

按道理来说使用类Fortran内存布局，对每列元素求和比对每行元素求和的时间应该短，因为类 Fortran 内存布局是列优先  
但是实际测试的时候还是对每行元素求和时间短-\_-||  
与类 C 语言变种相比，整体操作绝对要慢得多。