NumPy 是 Python 中科学计算的基础包，很多其他的科学计算库都是构建在这个库之上，在 Numpy 官网上的描述是:
- 包含一个强大的n维数组对象
- 成熟精致的(broadcasting)函数库
- 用于集成 C/C++ 和 Fortran 代码的工具
- 非常有用的线性代数，傅里叶变换和随机数生成能力
除了在科学计算中的用途，NumPy也可以用作通用数据的高效多维容器。可以定义任意数据类型。 这使NumPy能够无缝地，快速地与各种数据库集成。
安装
可以直接使用 pip 安装
pip install numpy
基本使用
Numpy包中一个很重要的对象就是ndarray对象。它就是我们前面所说的一个强大的n为数组对象，它是一个同质数组(其中的元素都是同一种类型)。
一个小例子:
import numpy as np
arr = np.array([[1,2,3], [4,5,6]])
print(arr)
打印出:
[[1 2 3]
[4 5 6]]
由上面例子展示了 numpy 使用时的几个特点:
- 通常使用 np 作为 numpy 的别名
- ndarray 对象可以使用 np.array 来创建
下面介绍几个ndarray对象的属性，来就说明 ndarray对象的特点:
- ndim: 表示秩，即数组轴的数量或者说是维度
- shape: 数组对象的尺寸，例如对于二维数组，尺寸可以表示为n行m列
- size: 数组对象元素的个数，相当于 .shape 中 n*m 的值
- dtype: 数组中元素的类型
- itemsize: 数组中每个元素的大小，以字节为单位
- data: 包含数组的实际元素,很少使用
实例:
import numpy as np
arr = np.array([[1,2,3], [4,5,6]])
print(arr.ndim) # 2, 表示ndarray对象是一个二维数组
print(arr.shape) # (3, 2), 表示每个维度对应的元素数目，即数组的尺寸
print(arr.size) # 6, 3*2, 数组中元素的总个数
print(arr.dtype) # 数组中元素的类型
print(arr.itemsize) # 数组中元素的大小，以字节为单位
print(arr.data)
输出:
2
(2, 3)
6
int64
8
<memory at 0x7f4724a7a990>
数组的创建
前面我们学习了一种使用 np.array() 创建 ndarray数组的方式，它的完整形式如下:
np.array(list/tuple, dtype=np.float32)
- 第一个参数可以是嵌套的列表或者元组
- 第二个参数用来指定数组中的元素类型
关于数据类型的更多信息可以到这里查看
除了上面的创建方式，实际上 numpy 还提供了很多方便的函数用来快速生成数组:
| 函数 | 说明 |
|---|---|
| arange(n) | 类似range()函数，返回ndarray类型，元素从0到n-1 |
| ones(shape) | 根据shape生成一个全1数组，shape是元组类型 |
| zeros(shape) | 根据shape生成一个全0数组，shape是元组类型 |
| full(shape, val) | 根据shape生成一个数组，每个元素值都是val |
| eye(n) | 创建一个正方的n*n单位矩阵，对角线为1,其余为0 |
| ones_like(a) | 根据数组a的形状生成一个全1数组 |
| zeros_like(a) | 根据数组a的形状生成一个全0数组 |
| full_like(a) | 根据数组a的形状生成一个数组, 每个元素的值都是val |
这些函数使用起来都很简单，并且它们都支持一个参数就是 dtype 用来设置数据类型，下面是一个简单的例子:
>>> import numpy as np
>>> np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.ones((3, 4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
>>> np.zeros((3, 4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> a = np.array([[1, 2, 3], [4, 5, 6]])
>>> np.ones_like(a)
array([[1, 1, 1],
[1, 1, 1]])
其他的函数用法都是类似的。
总结
ndarray 函数是 numpy 中最核心的部分之一，很多操作都是基于数组的，本文主要讨论了 numpy 库的特点，以及 ndarray 对象的产生，后续将介绍 ndarray 对象的相关操作.
