运算速度

摘要: pandas 的 GroupBy 功能可以方便地对数据进行分组、应用函数、转换和聚合等操作。 #　原作者： lionets GroupBy 分组运算 有时也被称为 “split-apply-combine” 操作。其中的 “split” 便是借由 obj.groupby() 方法来实现的。 .groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False) 方法作用于一条轴向上，并接受一个 分组键 （by）参数来给调用者分组。分组键可以是Series 或列表，要求其长度与待分组的轴一致；也可以是映射函数、字典甚至数组的某条 列名（字符串） ，但这些参数类型都只是快捷方式，其最终仍要用于生成一组用于拆分对象的值。 lang:python >>> df = DataFrame({'key1':['a','a','b','b','a'], 'key2':['one','two','one','two','one'], 'data1':np.random.randn(5), 'data2':np.random.randn(5)}) >>> df data1 data2 key1 key2 0 0.922269 0.110285 a one 1 -0

1.　冯•诺依曼计算机的特点主要有： （1） 计算机由运算器，控制器、存储器和输入/输出设备五大部件构成 ，缺少任何一个部件都无法正常工作 （2） 指令和数据都以同等地位存放在存储器中 ，并可按地址访问。 （3）指令和数据都均以 二进制形式表示 （4） 指令在存储器中按顺序存放 。通常，指令是顺序执行的。在特殊情况下，可根据运算结果或指定的条件改变运算顺序。 （5） 指令由操作码和地址码组成 。操作码表示操作的性质，地址码表示操作数在存储器中的位置 （6） 机器以运算器为中心。 2.计算机系统的层次结构 计算机系统层次结构，指的是计算机系统由 硬件和软件 两大部分所构成，而如果 按功能再细分 ，可分为 7层 。 3.计算机各种性能指标之间的关系 总线的技术指标： 1. 总线的带宽 （ 总线数据传输率 ）：总线带宽是指单位时间内总线上传输的数据量 2. 总线位宽：总线能同时传输的二进制位数 ，或数据总线的位数。 3.总线的工作频率：总线工作频率单位以MHz为单位，工作频率越高总线工作速率越快，总线带宽越宽。 4.各种性能指标之间的关系p19 计算机性能的定义： 吞吐率和响应时间 是考量一个计算机系统性能的基本指标。 吞吐率表示在单位时间内所完成的工作量 。在有些场合，吞吐率也可以称为带宽。 响应时间也被称为执行时间或等待时间 ，是指从作业在CPU上执行所用的时间外，还包括磁盘访问时间

CPU 1. CPU是什么？ 2.CPU 实际做什么？ 3.CPU 的内部结构 4.CPU 是寄存器的集合体 5.计算机语言 6.汇编语言 7.程序计数器 8.条件分支和循环机制 9.标志寄存器 10.函数调用机制 11.通过地址和索引实现数组 12.CPU 指令执行过程 13.总结 1. CPU是什么？ CPU 的全称是 Central Processing Unit ，它是你的电脑中最硬核的组件，这种说法一点不为过。CPU 是能够让你的计算机叫计算机的核心组件，但是它却不能代表你的电脑，CPU 与计算机的关系就相当于大脑和人的关系。 它 是一种小型的计算机芯片 ，它嵌入在台式机、笔记本电脑或者平板电脑的主板上。通过在单个计算机芯片上放置数十亿个微型晶体管来构建 CPU。 这些晶体管使它能够执行运行存储在系统内存中的程序所需的计算，也就是说 CPU 决定了你电脑的计算能力。 2.CPU 实际做什么？ CPU 的核心是从程序或应用程序获取指令并执行计算。 此过程可以分为三个关键阶段： 提取，解码和执行 。 CPU从系统的 RAM 中提取指令，然后解码该指令的实际内容，然后再由 CPU 的相关部分执行该指令。 RAM : 随机存取存储器 （英语：Random Access Memory，缩写：RAM），也叫主存，是与 CPU 直接交换数据的内部存储器。它可以 随时读写 （刷新时除外）

python数学库 本文是学习机器学习过程中的一些笔记，难免有些错误，请批评指正 numpy 标准Python的列表(list)中，元素本质是对象，如：L = [1, 2, 3]，需要3个指针和三个整数对象，对于数值运算比较浪费内存和CPU。因此，Numpy提供了np.array()来存储单一数据类型的多维数组。Numpy对于数组（矩阵）的运算速度比list要快。 使用array创建 # 通过array函数传递list对象 L = [1, 2, 3, 4, 5, 6] a = np.array(L) print "a = ", a print type(a) 也可以这样创建numpy多维数组 b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print b 数组的大小（行，列）可以通过shape属性来获得 print a.shape 也可以对数组大小进行强制修改,注：从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变。 a.shape = 4, 3 当某个轴为-1时，将根据数组元素的个数自动计算此轴的长度 b.shape = 2, -1 使用reshape方法，可以创建改变了尺寸的新数组，原数组的shape保持不变，数组b和c共享内存

应用和硬件的关系 我们作为程序员一般很少直接操控硬件，我们一般通过 C、Java 等高级语言编写的程序起到间接控制硬件的作用。所以大家很少直接接触到硬件的指令，硬件的控制是由 Windows 操作系统 全权负责的。 你一定猜到我要说什么了，没错，我会说但是，任何事情没有绝对性，环境的不同会造成结果的偏差。虽然程序员没法直接控制硬件，并且 Windows 屏蔽了控制硬件的细节，但是 Windows 却为你开放了 系统调用 功能来实现对硬件的控制。在 Windows 中，系统调用称为 API ，API 就是应用调用的函数，这些函数的实体被存放在 DLL 文件中。 下面我们来看一个通过系统调用来间接控制硬件的实例 假如要在窗口中显示字符串，就可以使用 Windows API 中的 TextOut 函数。TextOut 函数的语法（C 语言）如下 BOOL TextOut{ HDC hdc, // 设备描述表的句柄 int nXStart, // 显示字符串的 x 坐标 int nYStart, // 显示字符串的 y 坐标 LPCTSTR lpString, // 指向字符串的指针 int cbString // 字符串的文字数 } 那么，在处理 TextOut 函数的内容时，Windows 做了些什么呢？从结果来看，Windows 直接控制了作为硬件的显示器。但 Windows

凶悍的位运算 补上篇文章的坑，今天就来介绍下位运算。 一，位运算的意义 虽然网上搜到不少大佬的介绍，但问题是，萌新不太懂啊，只能自己从自己学到的出发，以后遇到了继续添加。 1.较高的执行效率 2.较低的空间需求 3.特殊需求 有使用价值，我们才更多会去使用，去多学它。 二，什么是位运算？ 位运算就是直接对整数在内存中的二进制位进行操作。 例如： 1 & 2 = 0b 0001 & 0b 0010 = 0b 0000 = 0 三，位运算简介 1.位运算符号 & ：与运算 有0为零，同1出1。 | ：或运算 全0为0，有1是1 ^ ：异或运算 相同为0，不同为1 ~ ：取反运算 和原情况相反 下面是一些基本情况的运算表。 右移 ： >> 例如： 12 >> 2 = 0b 0000 1100 右移两位 结果为 0b 0000 0011 十进制为3 在不超过范围内，12 >>2 相当于12除以4（2的2次方） 左移 ： << 例如： 12 << 2 = 0b 0000 1100 左移两位 结果为 0b 0011 0000 十进制为48 在不超过范围内，12<< 2 相当于12乘4（2的2次方） 注意：右移时，左侧补的是符号位。 例如 -32 >> 2 1000 0000 0000 0000 0000 0000 0010 0000原 1111 1111 1111 1111 1111 1111

我一直在尝试在业余时间学习C语言，其他语言（C＃，Java等）具有相同的概念（通常是相同的运算符）...... 我想知道的是，在核心层面，位移（ << ， >> ， >>> ）做了什么，它有什么问题可以帮助解决，以及潜伏在弯道的东西？ 换句话说，一个绝对的初学者指导比特移位的所有优点。 #1楼 假设我们有一个字节： 0110110 应用一个左移位器让我们： 1101100 最左边的零移出字节，并在字节的右端附加一个新的零。 这些位不会翻转; 他们被丢弃了。 这意味着如果您离开1101100然后右移它，您将无法获得相同的结果。 向左移动N相当于乘以2 N. 向右移动N（如果你使用 的是补码 ）相当于除以2 N 并舍入为零。 如果您使用的是2的幂，则Bitshifting可以用于疯狂快速的乘法和除法。几乎所有低级图形例程都使用位移。 例如，回到过去，我们使用模式13h（320x200 256色）进行游戏。 在模式13h中，视频存储器按像素顺序布局。 这意味着计算像素的位置，您将使用以下数学： memoryOffset = (row * 320) + column 现在，回到那个时代，速度是至关重要的，所以我们将使用位移来进行此操作。 然而，320不是2的幂，所以为了解决这个问题，我们必须找出加在一起的两个幂是多少才能得到320： (row * 320) = (row * 256) +

概述： 日前，数学和统计学计算库厂商NMath透露，将与硬件提供商NVIDIA（英伟达）合作，于6月份推出基于其GPU处理器加速版本的数学库。 　　日前，数学和统计学计算库 NMath 的厂商透露，将与硬件提供商 NVIDIA （英伟达）合作，于6月份推出基于其 GPU处理器 加速版本的数学库。 　　这个称为NMath Premium的数学库的许多线性代数和信号处理算法，运行在本地的NVIDIA GPU处理器上，将实现性能数倍的增益，许多依赖NMath统计库的进程也将大幅度的性能提升。而且使用Nmath和NMath Premium的方法几乎不会有任何改变，两个控件的编码使用方法几乎完全一致。 　　接下来我们来看看NMath公司公布的NMath Premium内部测试结果。 测试依据 　　采用一个相同的4个线性代数算法，分别运行于GPU K20, GPU K10, GPU Tesla 2090和Intel i7的CPU中。这四个算法分别是SVD，QR和特征值分解，求解。同时测试FFT（离散傅氏变换的快速算法）运行的性能。 测试结果 　　单精线性代数，GPU的运算速度远超CPU，而且当矩阵数量越大时，优势越明显。 　　双精度线性代数，结果更加显而易见，I7 CPU无法计算矩阵数量超大的双精度线性代数。 　　FFT运行上，在长度较短的FFT运算时，i7有部分优势，但稳定性叫差

概述： 日前，数学和统计学计算库厂商NMath透露，将与硬件提供商NVIDIA（英伟达）合作，于6月份推出基于其GPU处理器加速版本的数学库。 　　日前，数学和统计学计算库 NMath 的厂商透露，将与硬件提供商 NVIDIA （英伟达）合作，于6月份推出基于其 GPU处理器 加速版本的数学库。 　　这个称为NMath Premium的数学库的许多线性代数和信号处理算法，运行在本地的NVIDIA GPU处理器上，将实现性能数倍的增益，许多依赖NMath统计库的进程也将大幅度的性能提升。而且使用Nmath和NMath Premium的方法几乎不会有任何改变，两个控件的编码使用方法几乎完全一致。 　　接下来我们来看看NMath公司公布的NMath Premium内部测试结果。 测试依据 　　采用一个相同的4个线性代数算法，分别运行于GPU K20, GPU K10, GPU Tesla 2090和Intel i7的CPU中。这四个算法分别是SVD，QR和特征值分解，求解。同时测试FFT（离散傅氏变换的快速算法）运行的性能。 测试结果 　　单精线性代数，GPU的运算速度远超CPU，而且当矩阵数量越大时，优势越明显。 　　双精度线性代数，结果更加显而易见，I7 CPU无法计算矩阵数量超大的双精度线性代数。 　　FFT运行上，在长度较短的FFT运算时，i7有部分优势，但稳定性叫差

　　学过计算机编程的人都知道，计算机无论多么牛叉，其实都是在“天下武功，唯快不破”的基础上成立的。计算机可以处理文本，剪辑视频，修复音频，美化照片，显示网页，科学计算，这一切的一切都是建立数据的基础之上，每种编程语言的本质，就是通过编程，撰写计算机的命令集合，充分利用计算机可以不休息、速度快的特征让计算机帮着处理数据，提高处理的效率。无论哪一种编程语言，都需要预制一些数据类型，并且这些类型能够覆盖人类描述信息的需要。C语言中对数值的处理花的信息很多，符合类型的结构体、联合体和枚举类型，后来都被指针取代了，说C语言简单的，主要是入门比较简单，关键字少，但是C语言的主要难点在指针。C++在C的基础上扩展了面向对象，增加了很多普通用户难以理解和应用的语法，还好有Java语言将C++大大简化了一番，Java的流行应该说C++的功劳绝对不少了。现在主流的是python，由于在机器学习和AI中Python可以大显身手，所以Python很火。Python把主要的问题给隐藏了不少，但是python的缺点是无法区分真正的水平吧。哈哈。 　　Python中的数据类型，就是语言规定了一些数据的规范和能够接受的操作方法。数值型（标量），能够参与算术运算的整型、浮点型、复数型、布尔型和空值；复合类型，列表、元组、字典、集合；字符串；文件对象；自定义类型等。 一、数值型： 　　1、整型： 1 Python 3