官方文档+stackoverflow
最后发现是要更多了解一下 Python/C API 和 Numpy/C API，这样读读官方文档，开箱即用。
个人感觉 cython 只是大大加快开发速度的工具，在相对纯 C/C++ 扩展可能是要慢个 5-10%的情况下，没必要为了这点效率拼命撸 C 代码，简短的 pyx 就能搞定。学习的话读读 cython 生成的 .c 文件，python/C api 和 numpy/c api 的文档，了解基本工作原理，读官方文档。
或者去 scipy 这样的项目里找找 pyx 文件读读。

具体作用很少，因为实景里遇到的问题太少了。你可以考虑先刷刷算法题。

一定程度不太需要吧，我觉得别说是学校课程令数据量达到要用 GPU 的地步，就算只是教怎么在 GPU 上实现算法，那学校就必须提供环境吧。如果供自己平时练习，更偏概念性的话那有 CUDA 支持就行了，虚拟环境也许都行。如果自己有生产力要求的话另说。

1 楼++
import re
re.split('3102', ''.join(map(str,your_list)))
然后去数连续非 '' 元素的个数。方法很多~

应该叫“我是民科”系列……

@lynnic indexof 是 o(n) 的吧

arch 默认 python->python3，所有依赖 python2 的包会自动指向 python2

中科院……有……

In [29]: a = np.random.random((200000,250))

In [30]: my_inner_prod(a,a)
Out[30]: array([1., 1., 1., ..., 1., 1., 1.])

In [31]: %timeit my_inner_prod(a,a)
49.3 ms ± 850 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

I7-3687u

numpy 的 dot 和 einsum 都比较慢，你可以考虑用 numba 的 guvectorize
@guvectorize([(float64[:], float64[:], float64[:])],
'(n),(n)->()', target='parallel')
def my_inner_prod(a, b, ret):
tmp1 = tmp2 = tmp3 = 0
for i in range(a.shape[0]):
tmp1 += a[i] * b[i]
tmp2 += a[i] * a[i]
tmp3 += b[i] * b[i]
ret[0] = tmp1 / (tmp2 * tmp3) ** 0.5
这个是 cos(theta)，如果不除以模量则只要 tmp1 就可以了
可以快很多。只要向量维度是对齐的，比如 (100000,250) . (100000,250) -> (100000,)
或者(100000,250) . (1,250) -> (100000,)
降维是不是可以考虑 PCA?

@noli 作为非数学科研人员，非数学方面高浮点计算力需求除了很多已经有人做好的开源 /商业实现(lammps, gromacs, gauss, amber, MS...)，现在基本上是用 NumPy 了，而很多成名已久的老软件也开始 C++/C, CUDA 然后用 Python 做胶水这样，numpy array 作为“苦力”，这样在程序运行中很方便实时自己写东西进行处理。NumPy 的各种操作基于 MKL，效率还是很高的。我所知道的纯数学类用得比较多的可能是 Matlab 和 Mathematica，但可能是符号运算、各种群论图论拓扑之类的神仙操作比较多吧，干暴力浮点运算要求少，他们的神仙课题不太懂。至于 CUDA，如果不是要使劲搞一个 lammps，gromacs 体量的大作，numba 的 jit, vectorize, cuda.jit 和 cython 基本上非常够用。从好上手的角度上说，Python 确实最友好，各种格式的读写，和 C, Fortran （没错，科研党还有相当一大部分人用） 的接口全面，NumPy 的向量化操作也让代码很具有公式上的可读性，而且非数学并且有大量暴力浮点运算的专业而言，Python 的入门要比 Matlab, mathematica 之类的简单得多，至于 Julia，生态算硬伤。

@oblivious 作为科研党必须给个赞

@BiuBiuBiu Springer undergraduate mathematics series, GTM 是对应的 graduate mathematics textbooks

@iEverX 赞！

我刚回复过另一个帖子：去看 SUMS 系列的 Linear algebra 和 Further Linear algebra，基本够用了。想更进一步去看 GTM 系列的线性代数。离散数学看 Rosen 的就行。速成的话看懂神马是厄密矩阵，本征值，本征值的几何意义，SVD 和对角化的区别，优化问题的应用和张量代数，去捅咕明白 numpy.einsum 这个函数，日常各种操作够用。有点基础了有本书叫《线性代数应该这样学》，水平很高。一般这书内容大致了解也就算了解线性代数了，能看通透那就很厉害了。

去看 SUMS 系列的 Linear algebra 和 Further Linear algebra，基本够用了。想更进一步去看 GTM 系列的线性代数。离散数学看 Rosen 的就行。速成的话看懂神马是厄密矩阵，本征值，本征值的几何意义，SVD 和对角化的区别，优化问题的应用和张量代数，去捅咕明白 numpy.einsum 这个函数，日常各种操作够用。有点基础了有本书叫《线性代数应该这样学》，水平很高。一般这书内容大致了解也就算了解线性代数了，能看通透那就很厉害了。

不知道为啥 powershell 明明设置了透明度但没用