1.NumPy( Numeric Python)

numpy是一個開源的python科學計算擴展庫，主要用來處理任意維度數(shù)組和矩陣。
相同的任務，使用numpy比直接用python的基本數(shù)據(jù)結構更加簡單高效。

它的功能：

• 包含一個強大的N維數(shù)組對象Ndarray
• 廣播功能函數(shù)
• 整合C/C++代碼的工具
• 線性代數(shù)、傅里葉變換、隨機數(shù)生成等功能

numpy是scipy,pandas等數(shù)據(jù)處理或科學計算庫的基礎

2.numpy的引用

雖說別名可以省略或者更改，但盡量使用上述約定的別名

3.Ndarray

n維數(shù)組，它是一個相同數(shù)據(jù)類型的集合，以0為下標開始進行集合中元素的索引。
我們知道，python有列表和數(shù)組此類的數(shù)據(jù)結構。

列表：數(shù)據(jù)類型可以不同（如[3, 2.4 ,‘a’ ,“abc”]），數(shù)據(jù)是有序的
數(shù)組：數(shù)據(jù)類型相同(如[1，2，3，4])
集合： （如{2，4，3，5，7}）數(shù)據(jù)是無序的

引入n維數(shù)組的意義

觀察下列兩組操作，其功能都是一樣的。

import numpy as np

def pysum():
    a = [1, 2, 3, 4]
    b = [5, 6, 7, 8]
    c = []
    for i in range(len(a)):
        c.append(a[i]**2+b[i]**3)
    return c

def numpysum():
    a = np.array([1, 2, 3, 4])
    b = np.array([5, 6, 7, 8])
    c = a**2+b**3
    return c

print("使用列表運算的結果是：", pysum())
print("使用Numpy運算的結果是：", numpysum())

運行結果：

使用列表運算的結果是： [126, 220, 352, 528]
使用Numpy運算的結果是： [126 220 352 528]

但是很明顯：

• numpy的數(shù)組對象可以去掉元素建運算所需要的循環(huán)，使一維向量更像單個數(shù)據(jù)
• numpy通過設立專門的數(shù)組對象，經(jīng)過優(yōu)化，運算速度也相應提升

通常情況下，在科學運算中，一個維度所有數(shù)據(jù)的類型往往相同，這時，使用數(shù)組對象采用相同的數(shù)據(jù)類型，有助于節(jié)省運算時間和存儲空間

ndarray的組成

• 實際的數(shù)據(jù)
• 描述這些數(shù)據(jù)的元數(shù)據(jù)（數(shù)據(jù)維度、數(shù)據(jù)類型等）

ndarray對象的屬性

3.數(shù)據(jù)類型

當np.array()不指定dtype時，numpy將根據(jù)數(shù)據(jù)情況關聯(lián)一個dtype類型

• ndarray支持多種數(shù)據(jù)類型的原因
• python基本語法只支持整數(shù)、浮點數(shù)和復數(shù)3種類型
• 科學計算涉及數(shù)據(jù)較多，對存儲和性能都有較高要求
• 對元素類型精細定義，有助于numpy合理使用存儲空間并優(yōu)化性能
• 對元素類型精細定義，有助于程序員對程序規(guī)模有合理評估

ndarray數(shù)組的創(chuàng)建

import numpy as np
x = np.array([[1, 0], [2, 0], [3, 1]], np.int32)
print(x)
print(x.dtype)

程序輸出：

[[1 0]
 [2 0]
 [3 1]]
int32

adarray數(shù)組的變換

ndarray數(shù)組運算

4.索引與切片

• 索引：獲取數(shù)組中特定位置元素的過程
• 切片：獲取數(shù)組元素子集的過程

5.隨機數(shù)函數(shù)

6.統(tǒng)計函數(shù)

7.梯度函數(shù)

8.副本與視圖

numpy線性代數(shù)

數(shù)組與標量之間的運算

常用numpy.linalg函數(shù)總結

（好家伙，numpy內置函數(shù)太多了…）

最新評論