文档介绍：数据分析师待遇数据分析：寻求Python最优计算性能

　　1、场景描述
　　在数据统计分析过程中，求累计值（总和）是最常见的统计指标之一，市面上的多种流行数据库均支持的查询方法基础以下：
　　select sum(c) from table_name;
　　当数据量在小规模时，sum只是一瞬间的事情，让你感觉电脑真牛逼啊，我掰手指头要算半天的数，它竟然能够这么快，下面是1万多条数据的字段求和，只用了8ms。
　　不过当数据量不停增加到一个量级时，比如说，先定个小目标：一亿条订单求总额，你能够尝试在常规的数据库上实施一样的语句需要多长时间。
　　在我的电脑上实施这么的查询，大约需要10s。
　　或更大的量级，十亿、百亿、万亿？你一秒钟给我算出来，哈哈，电脑也算懵逼了。
　　采取分布式存放、分布式计算，是现在处理大规模计算的通用方法，让你吃100个馒头，估量一礼拜也吃不完，做慈善，一人一个分给班里的同学，几分钟就没了，吃不完的那个放学别走。
　　2、举栗说明
　　今天我们不讲分布式计算，先看看怎样在单机上达成最优的计算性能。
　　以下的示例，用python语言模拟求1亿条订单金额的平均值。
　　大家注意：中国小学生以后的课程全部有python了，在未来编程是个基础技能。
　　首先用传统的For Loop方法
　　还是一亿条数据跑分
　　结果：
　　看来也不快啊，花了十几秒，python在没有特定优化的前提下，比Java，Go语言慢了不少。
　　内置 sum函数上场
　　不过我们知道python有内置的sum函数，是不是会快一点？让我们来试试：
　　结果：
　　不到十秒，快了一点点，但还是不理想。
　　神兵numpy
　　听说有个numpy库，能够向量化（vectorization）实施多种运算，牵到台上看看：
　　结果：
　　哎呀48毫秒，真心牛逼啊，足足快了几百倍，比Go、Java全部快，不信你能够自己写个Go语言的版本对比一下。
　　没完
　　听说还有个叫numba的，看简写nb也很NB，要不把刚才的那