编程起航：Python与科学计算库实战入门

昨天有个实习生跑来找我，说他的数据处理脚本跑了一晚上还没出结果。我过去看了一眼，发现他正在用Python原生列表循环处理一个几十万行的CSV文件，内存已经吃了好几个G，风扇狂转。我叹了口气，让他把代码里的for循环换成Pandas的read_csv加向量化操作，三秒跑完。他盯着屏幕愣了半天——这就是科学计算库的威力。

为什么不用纯Python？

Python的列表很灵活，但处理数值计算时效率太低。每个元素都是完整的Python对象，内存开销大，计算时还要频繁做类型检查。NumPy的底层是C实现的，数据在内存中连续存储，类型固定，CPU的SIMD指令能一次性处理多个数据。这个差异在数据量大的时候就是几分钟和几小时的区别。

# 别这样写！慢到怀疑人生
data = []
with open('large_file.csv') as f:
    for line in f:
        row = line.strip().split(',')
        processed = [float(x) * 2 for x in row]
        data.append(processed)

# 试试这个，快得不像Python
import pandas as pd
df = pd.read_csv('large_file.csv')
result = df * 2  # 向量化操作，底层是C循环

NumPy：数值计算的基石

NumPy的核心是ndarray（N维数组）。这东西看起来像列表，但骨子里完全不同。创建数组时就要想清楚数据类型，别让NumPy去猜。

import numpy as np

# 创建数组时显式指定类型，避免后续麻烦
arr = np.array([1, 2, 3], dtype=np.float32)
print(arr.itemsize)  # 4字节，如果是Python列表，每个int至少28字节

# 这里踩过坑：整数除法
a = np.array([1, 2, 3])
print(a / 2)  # 得到[0.5 1.0 1.5]，Python3里没问题
print(a // 2)  # 整数除