本文參考給妹子講python https://zhuanlan.zhihu.com/p/34673397
NumPy是Numerical Python的簡寫，是高性能科學計算和數據分析的基礎包，他是許多高級工具的構建基礎。
他的核心功能是：
1.多維向量的描述和快速高效計算能力，讓數組和矩陣的使用更加自然； 2.大量實用的數學函數，支撐復雜的線性代數、隨機數生成以及傅里葉變換函數 3.具備數據的磁盤讀寫工具
對於同樣的數值計算任務，使用NumPy要比直接編寫Python代碼便捷的多。
這是因為NumPy能夠直接對數組和矩陣進行操作，可以省略很多循環語句，
其眾多的數學函數也會讓編寫代碼的工作輕松許多。
同時底層算法在設計時有着優異的的性能，NumPy中數組的存儲效率和輸入輸出性能均遠遠優於Python中等價的基本數據結構，如嵌套list。
example1:用python對象的list來創建ndarray對象
import numpy as np data = [1,2.11,4,59] arr = np.array(data) print(arr) print(type(arr)) [ 1. 2.11 4. 59. ] <class 'numpy.ndarray'>
當然ndarray對象也可以轉換成list
import numpy as np arr = np.arange(8) L = arr.tolist() print(type(L)) print(L) <class 'list'> [0, 1, 2, 3, 4, 5, 6, 7]
example2:用嵌套列表來創建多維矩陣
import numpy as np data = [[1,2,3,4],[5,6,7,8.2]] arr = np.array(data) print(arr) print(arr.ndim) print(arr.shape) print(arr.dtype) print(type(arr)) [[ 1. 2. 3. 4. ] [ 5. 6. 7. 8.2]] 2 (2, 4) float64 <class 'numpy.ndarray'> #ndim就是數組的維數， #data.ndim = len(data.shape)
example3：對已有的ndarray數組進行數據類型的顯式轉換
import numpy as np arr1 = np.array([1,2,3,4], dtype=np.float64) arr2 = np.array([1,2,3,4], dtype=np.int32) arr3 = arr2.astype(np.float64) print(arr1) print(arr2) print(arr3) [ 1. 2. 3. 4.] [1 2 3 4] [ 1. 2. 3. 4.] #我們看到arr2在創建ndarray數組時，顯式指定了元素類型為int32，后續又通過astype進行數據類型的顯式轉換，創建了新的數組arr3，其數據類型為float64浮點型。
example4：創建全0、全1、沒有具體值的矩陣
import numpy as np arr_0 = np.zeros(8) #全0矩陣 arr_1 = np.ones((3, 8)) # 3行8列全1矩陣 arr_e = np.empty((2,3,2)) # 維度為2,3,2的矩陣 print(arr_0) print(arr_1) print(arr_e) [ 0. 0. 0. 0. 0. 0. 0. 0.] [[ 1. 1. 1. 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1. 1. 1. 1.]] [[[ 2.05931344e-316 1.87072344e-316] [ 1.85828998e-316 1.98442969e-316] [ 1.85755284e-316 1.70134311e-316]] [[ 1.71304417e-316 2.37875336e-316] [ 1.84704347e-316 1.70132375e-316] [ 2.46176627e-316 2.34552329e-316]]]
除此之外，之前我們講過python內置函數中有一個range函數，np中也有一個類似的函數實現該功能
import numpy as np arr1 = np.arange(8) print(arr1) print(type(arr1)) [0 1 2 3 4 5 6 7] <class 'numpy.ndarray'> import numpy as np arr2 = np.arange(0,11,2,dtype=float) print(arr2) [ 0. 2. 4. 6. 8. 10.]
還有一種網格數據的生成方法：即指定起始點和終止點（包含），以及網格點的個數
import numpy as np arr = np.linspace(0,80,5) print(arr) [ 0. 20. 40. 60. 80.]
ndarray數據的維度轉換與最簡單的標量運算：
import numpy as np a = np.arange(24).reshape((6,4)) print(a) [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15] [16 17 18 19] [20 21 22 23]] # 然后將其展平，即將其轉化為一個24項的一維數組 import numpy as np a = np.arange(24).reshape((6,4)) print(a.flatten()) [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] #還有一種維度轉換的使用場景，如，將之前的6×4的二維數組，轉化為3×8的二維數組 import numpy as np a = np.arange(24).reshape((6,4)) a.resize((3,8)) print(a) [[ 0 1 2 3 4 5 6 7] [ 8 9 10 11 12 13 14 15] [16 17 18 19 20 21 22 23]] #轉置 import numpy as np a = np.arange(24).reshape((6,4)) print(a) print(a.transpose()) # 或者縮寫成 a.T [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15] [16 17 18 19] [20 21 22 23]] [[ 0 4 8 12 16 20] [ 1 5 9 13 17 21] [ 2 6 10 14 18 22] [ 3 7 11 15 19 23]]
數組的組合
# 首先是水平的組合 import numpy as np a = np.arange(6).reshape((2,3)) b = a * 2 print(a) print(b) print(np.hstack((a,b))) [[0 1 2] [3 4 5]] [[ 0 2 4] [ 6 8 10]] [[ 0 1 2 0 2 4] [ 3 4 5 6 8 10]] # 再來看看垂直組合 import numpy as np a = np.arange(6).reshape((2,3)) b = a * 2 print(a) print(b) print(np.vstack((a,b))) [[0 1 2] [3 4 5]] [[ 0 2 4] [ 6 8 10]] [[ 0 1 2] [ 3 4 5] [ 0 2 4] [ 6 8 10]]
最后我們來看看數組的標量計算
其實下面介紹的數組的標量計算功能用傳統的基本數組List類型肯定是都能實現的，但是NumPy提供的最主要的便利之一就是，我們可以像操作原子數據類型一樣對NumPy對象進行操作：不需要顯式循環就可以對它們進行加、減、乘等運算，避免了顯式循環的使用，使得代碼更加清晰。同時，NumPy底層是用C語言實現的，因此代碼運行的也更快。
import numpy as np arr = np.array([[1,2,3],[4,5,6]],dtype=np.float64) print(arr + 1) print(arr ** 2) print(1/arr) [[ 2. 3. 4.] [ 5. 6. 7.]] [[ 1. 4. 9.] [ 16. 25. 36.]] [[ 1. 0.5 0.33333333] [ 0.25 0.2 0.16666667]] # 另外還有數組與數組之間的運算，這里暫時只談論維數相同的數組運算 import numpy as np arr = np.array([[1,2,3],[4,5,6]],dtype=np.float64) print(arr+arr) print(arr*arr) [[ 2. 4. 6.] [ 8. 10. 12.]] [[ 1. 4. 9.] [ 16. 25. 36.]] #對整個向量運用基本數學表達式 import numpy as np arr = np.arange(8) print(np.sin(arr)) [ 0. 0.84147098 0.90929743 0.14112001 -0.7568025 -0.95892427 -0.2794155 0.6569866 ]