Sargent的量化經濟學（9）：NumPy

NumPy

概述

NumPy（https://en.wikipedia.org/wiki/NumPy）是最好的數值編程實驗室。

廣泛應用於學術、金融和行業研究領域

成熟、快速、穩定以及不斷改進完善

本講介紹NumPy數列，以及基礎的數列運算

重要提示

首先，NumPy已經安裝在電腦中

其次，我們會用新命令A@B來指代矩陣乘法，用以取代舊命令np.dot(A,B)

這些程序的運行都要求安裝Python3.5或者Anaconda以上版本

安裝或者升級Anaconda，參考https://lectures.quantecon.org/py/getting_started.html

參考資料

Theofficial NumPy documentation：https://docs.scipy.org/doc/numpy/reference/

NumPy介紹

NumPy所能解決的問題是快速的數組處理

例如，假設我們想創建一個由均勻分布中抽取的一百萬隨機數的數組，並計算其均值

如果在純Python環境中進行運算，計算速度比C或Fortran慢太多

這是因為

Python循環花費很多時間

C和Fortran代碼包含許多種最優化的信息

此時，我們用NumPy，看起來如下

創建數組、計算均值的運算都分發到來自C的最優化機器代碼

一般來說，NumPy將運算批量發送到最優化C和Fortran代碼來處理

其精髓與Matlab類似，即提供一個快速Fortran進程的界面

向量化的建議

NumPy是非常好的向量化工具

向量化操作屬於預編譯進程，像：

矩陣乘法與另一些線性代數進程

創造隨機數的向量

將一種固定的轉換（例如sin或cos）應用於整個數組

NumPy數組

最重要的是NumPy定義是一種數組數據類型，正式格式是numpy.ndarray（https://docs.scipy.org/doc/numpy/reference/arrays.ndarray.html）

為了創建一種NumPy數組，僅僅包含，我們用np.zeros（https://docs.scipy.org/doc/numpy/reference/generated/numpy.zeros.html#numpy.zeros）

NumPy數組有點像原始Python的list，除了

數據必須是同型

這些類型必須是NumPy提供的一種數據類型（dtypes）

這些數據類型最重要的是：

float64: 64 bit floating point number

int64: 64 bit integer

bool: 8 bit True or False

還有一些數據類型代表複數、無符號整數，等

對於當代計算機來說，默認的數組類型是float64

如果我們想要用整數，可以作出如下聲明

在最後的例子中，為了創建2*2數組，我們用zeros()函數，正如z=np.zeros((2,2))

創建數組

正如我們看到的，np.zeros函數創建零數組

你們可能會猜出np.ones所創建的數組

還有一個就是np.empty，

你所看到的這些數值都是無用的

為了創建一個均勻分布的數組，用np.linspace

為了創建單位數組，要麼用np.identity，要麼用np.eye

此外，NumPy數組可以從Python lists，tuple等等中創建，用np.array

也可以見np.asarray

進一步閱讀可參見https://lectures.quantecon.org/py/numpy.html

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！