資料內(nèi)容：
在數(shù)據(jù)科學(xué)的廣闊領(lǐng)域中，NumPy 就像是一座堅固的基石，支撐起無數(shù)強大的數(shù)據(jù)分析與機器學(xué)習(xí)應(yīng)
用。為什么這么說呢？讓我們先從 Python 的原生數(shù)據(jù)結(jié)構(gòu) — 列表（list）講起。
假設(shè)你要對一個包含大量數(shù)字的列表進行簡單的數(shù)學(xué)運算，比如每個元素都乘以 2。使用 Python 列表
，你可能會這樣寫：
my_list?=?[1,?2,?3,?4,?5]
result_list?=?[]
for?num?in?my_list:
????result_list.append(num?*?2)
print(result_list)?
這段代碼雖然直觀，但當數(shù)據(jù)量變得非常大時，效率就會成為問題。每一次循環(huán)都需要進行函數(shù)調(diào)用
和條件判斷，這在大規(guī)模數(shù)據(jù)處理中會帶來顯著的時間開銷。
現(xiàn)在，讓我們看看 NumPy 是如何解決這個問題的。首先，需要將列表轉(zhuǎn)換為 NumPy 數(shù)組：
