文档介绍：数据分析师待遇数据分析：谋求Python最优计算性能

　　1、场景描述
　　在数据记录分析过程中，求合计值（总和）是最常用的记录指标之一，市面上的多种流行数据库均支持的查询措施基本如下：
　　select sum(c) from数据分析师待遇数据分析：谋求Python最优计算性能

　　1、场景描述
　　在数据记录分析过程中，求合计值（总和）是最常用的记录指标之一，市面上的多种流行数据库均支持的查询措施基本如下：
　　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，它居然可以这样快，下面是1万多条数据的字段求和，只用了8ms。
　　但是当数据量不断增长到一种量级时，例如说，先定个小目的：一亿条订单求总额，你可以尝试在常规的数据库上实行同样的语句需要多长时间。
　　在我的电脑上实行这样的查询，大概需要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。
　　采用分布式寄存、分布式计算，是目前解决大规模计算的通用措施，让你吃100个馒头，估计一礼拜也吃不完，做慈善，一人一种分给班里的同窗，几分钟就没了，吃不完的那个放学别走。
　　2、举栗阐明
　　今天我们不讲分布式计算，先看看如何在单机上达到最优的计算性能。
　　如下的示例，用python语言模拟求1亿条订单金额的平均值。
　　人们注意：中国小学生后来的课程所有有python了，在将来编程是个基本技能。
　　一方面用老式的For Loop措施
　　还是一亿条数据跑分
　　成果：
　　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
　　但是我们懂得python有内置的sum函数，是不是会快一点？让我们来试试：
　　成果：
　　不到十秒，快了一点点，但还是不抱负。
　　神兵numpy
　　据说有个numpy库，可以向量化（vectorization）实行多种运算，牵到台上看看：
　　成果：
　　哎呀48毫秒，真心牛逼啊，足足快了几百倍，比Go、Java所有快，不信你可以自己写个Go语言的版本对比一下。