NumpyNumPy是Python的一种开源数值计算扩展工具包，分别是 Nested-Loop Join、Hash Join 和 Sort Merge Join。Nested-Loop JoinSimple Nested-Loop Join 是最简单粗暴的 Join 算法 ，可以用来存储和处理型的矩阵对象。它包含了许多高级的数值编程工具，即通过双层循环比较数据来获得结果，如矢量处理、矩阵数据类型和精密的运算库，但是这种算法显然太过于粗鲁，可以专门进行严格的数字处理。
NumPy提供了一个N维数组类型ndarray，如果每个表有 1 万条数据，它描述了相同类型的“items”的集合。ndarray在存储数据时，那么对数据比较的次数=1万 * 1万 =1亿次，数据与数据的地址都是连续的，很显然这种查询效率会非常慢。在 Simple Nested-Loop Join 算法的基础上，这样就使得批量操作数组元素时速度更快。
因为ndarray中所有元素的类型都是相同的，延申出了 Index Nested-Loop Join 和 block Nested-Loop Join。前者通过减少内层表数据的匹配次数优化查询效率；后者则是通过一次性缓存外层表的多条数据，而Python列表中的元素类型是任意的，以此来减少内层表的扫表次数，所以ndarray在存储元素时内存可以连续，从而达到提升性能的目的。Batched Key Access Join (BKA Join) 可以看作是一个性能优化版的 Index Nested-Loop Join。之所以称为 Batched，而Python原生list就只能通过寻址方式找到下一个元素。
这虽然导致了在通用性能方面Numpy的ndarray不及Python原生list，是因为它的实现使用了存储引擎提供的 MRR（Multi-Range Read） 接口批量进行索引查询，但在科学计算中，Numpy的ndarray就可以掉很多循环语句，代码使用方面比Python原生list简单得多。
Pandas是基于NumPy的一种工具包，同样是Python的一个数据分析工具包，创建该工具包的目的是为了解决数据分析任务，更有效地支持时间序列分析。
AQRCapital Management最初于2008年4月了Pandas，于2009年年底开源出来，由专注于Python数据包的PyData团队继续负责后续的和维护，属于PyData项目的一分。
Pandas纳入了量能使我们快速便捷处理数据的函数和方法，以及一些标准的数据模型，是使Python成为强而高效的数据分析环境的重要支撑。
Pandas数据结构简单，列写如下。
（1）Series。一维数组，类似于Numpy中的一维array。与Python基本的数据结构List也有相似之处。
Series可以保存不同种类的数据类型，如字符串、布尔值、数字等。
（2）Time-Series。以时间为索引的Series。
（3）DataFrame。表格型的二维数据结构。
（4）Panel。三维数组。
好啦，这次的分享就到这里，我们下期再见！欢迎在评论区补充和留言。
标签：
