跳轉到

2006：NumPy 問世與 with 陳述——科學計算的地基與資源管理#

事件#

2005–2006 年，兩件大事：

  1. NumPy 誕生：2005 年，科學家 Travis Oliphant 把 1995 年的 Numeric 與後繼的 numarray 兩個互不相容的陣列套件統一重寫，2006 年發佈 NumPy 0.9.6/1.0——核心是 ndarray 多維陣列與向量化運算，底層以 C/Fortran（BLAS/LAPACK）實作。
  2. Python 2.5（2006 年 9 月）：with 陳述式（PEP 343）——上下文管理協議 __enter__/__exit__。

為何重要#

  • NumPy 是整個 Python 科學/AI 生態的基石：沒有 NumPy 的 ndarray，就沒有 pandas（2008）、scikit-learn（2007）、TensorFlow（2015）、PyTorch（2016）——它們全部建立在 NumPy 陣列語意之上。
  • with 陳述把「開檔用完要關」這類資源管理從手動 try/finally 變成一行語法，是 Python 現代化的關鍵一步。

理論與實用原因#

  • 理論原因（NumPy）：
  • 純 Python 的 list 是「指標陣列」，每個元素都是完整物件——對百萬筆數值做加法，效能差 C 兩個數量級。陣列程式設計（array programming）理論源自 APL（1962） 與 Fortran（1957） 的向量機：資料連續儲存（cache-friendly）、以整批向量化操作取代逐元素迴圈。
  • 統一 Numeric/numarray 的理論理由：生態碎片化是自殺——兩個陣列套件互不兼容，科學家無法共享程式碼；NumPy 統一 API 後，生態才可能指數成長。
  • 實用原因（NumPy）：科學家不想手寫 C；NumPy 讓「用 Python 語法、享受 C 速度」成真，關鍵是「內層迴圈在 C，外層控制流在 Python」的分層。
  • 理論原因（with）：資源管理的不變式（file descriptor 用完必須釋放）靠人工記得寫 finally: f.close() 容易遺漏——這是 RAII（C++ 1985）與 Scheme 的 dynamic-wind 要解決的同一問題。with 把「進入/離開作用域的配對動作」協議化，由語法保證配對執行。
  • 實用原因（with）：PEP 343 的直接動機來自社群多年對 try/finally 樣板的抱怨。

彌補了什麼缺陷#

  • NumPy 彌補了「純 Python 數值運算慢兩個數量級」與「科學生態碎片化」的缺陷。
  • with 彌補了「資源釋放靠人工記得、try/finally 樣板氾濫、易洩漏檔案與鎖」的缺陷。

程式範例#

NumPy 的向量化——「Python 語法、C 速度」：

import numpy as np

n = 1_000_000
py_list = list(range(n))
arr = np.arange(n)          # ndarray：連續儲存（cache-friendly）

# 純 Python：對 list 逐元素迴圈，慢兩個數量級
%timeit [x * 2 for x in py_list]    # ~50 ms

# NumPy：整批向量化，內層迴圈在 C
%timeit arr * 2                     # ~1 ms

NumPy 讓「用 Python 語法、享受 Fortran 速度」：

a = np.random.rand(1000, 1000)
a @ a                       # 矩陣乘法走 BLAS/LAPACK（Fortran）
a.mean(axis=0)              # APL 式的整批統計運算

with 陳述（PEP 343）——前後對比：

# 2.5 之前：資源釋放靠人工記得寫 finally
f = open("data.txt")
try:
    data = f.read()
finally:
    f.close()               # 忘了這行就洩漏 file descriptor

# 2.5 之後：語法保證配對執行
with open("data.txt") as f: # __enter__/__exit__ 協議
    data = f.read()         # 離開作用域自動關檔，即使拋出例外

相關條目#