numpy(01入门)

 前面内容：pandas(01 入门)

目录 

一、numpy 简介 

1.1 Numpy 应用场景

1.2 Numpy 优点

1.3 Numpy 缺点

1.4 相关链接

二、Numpy环境安装配置 

2.1 Python自带包

2.2 Numpy 安装

三、NumPy.Ndarray 

3.1 ndarray特点：

3.2 ndarray()参数： 

3.3 具体实例 

---

 

一、numpy 简介 

numpy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!

1.1 Numpy 应用场景

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

一个强大的N维数组对象 ndarray广播功能函数整合 C/C++/Fortran 代码的工具线性代数、傅里叶变换、随机数生成等功能 1.2 Numpy 优点 同样的数值计算，使用Numpy要比编写python代码便捷很多。Numpy中数组的存储效率和输入输出性能远远优于python，提升的性能和数组元素个数成正比。Numpy的大部分代码是C语言，底层算法在设计时有着优异的性能，使得Numpy比纯python更加高效。 1.3 Numpy 缺点 Numpy使用内存映射文件，能够达到更优的数据读写性能，内存的大小限制了对其TB级别大文件的处理。Numpy数组的通用性不及python提供的list容器，科学计算之外的领域，优势并不明显。 1.4 相关链接

NumPy 源代码：GitHub - numpy/numpy: The fundamental package for scientific computing with Python. SciPy 官网：SciPy - SciPy 源代码：GitHub - scipy/scipy: SciPy library main repository Matplotlib 官网：Matplotlib — Visualization with Python Matplotlib 源代码：GitHub - matplotlib/matplotlib: matplotlib: plotting with Python

二、Numpy环境安装配置 

Numpy环境安装配置，标准的Python并没有包含Numpy，可以使用python安装程序pip来安装Numpy。

pip install numpy

使用 NumPy 的最佳方法是使用符合操作系统的可安装的二进制包，它包含完整的 SciPy 技术栈(包括 NumPy，SciPy，matplotlib，IPython，SymPy 以及 Python 核心自带的其它包)。

2.1 Python自带包

对于许多用户，尤其是在 Windows 上，最简单的方法是下载以下的 Python 发行版，它们包含了所有的关键包（包括 NumPy，SciPy，matplotlib，IPython，SymPy 以及 Python 核心自带的其它包）：

Anaconda: 免费 Python 发行版，用于进行大规模数据处理、预测分析，和科学计算，致力于简化包的管理和部署。支持 Linux, Windows 和 Mac 系统。Enthought Canopy: 提供了免费和商业发行版。持 Linux, Windows 和 Mac 系统。Python(x,y): 免费的 Python 发行版，包含了完整的 Python 语言开发包 及 Spyder IDE。支持 Windows，仅限 Python 2 版本。WinPython: 另一个免费的 Python 发行版，包含科学计算包与 Spyder IDE。支持 Windows。Pyzo: 基于 Anaconda 的免费发行版本及 IEP 的交互开发环境，超轻量级。 支持 Linux, Windows 和 Mac 系统。 2.2 Numpy 安装 Linux 系统(Ubuntu 和 Debian)： sudo apt-get install python-numpy Linux 系统(Fedora): sudo yum install numpy scipy Anaconda 发行版的Windows系统： conda install numpy Numpy 安装到系统后，在Python中输入以下代码导入Numpy: import numpy as np 三、NumPy.Ndarray 

NumPy.Ndarray 对象，最重要的一个特点是其 N 维数组对象 ndarray，该对象是一个快速而灵活的大数据集容器，描述相同数据类型的元素集合，以 0 下标为开始进行集合中元素的索引。 

提示：N表示n，d表示维度，array是矩阵 

3.1 ndarray特点：

ndarray 对象是用于存放同类型元素的多维数组。

ndarray 中的每个元素在内存中都有相同存储大小的区域。

ndarray 内部由以下内容组成：

一个指向数据（内存或内存映射文件中的一块数据）的指针。数据类型或 dtype，描述在数组中的固定大小值的格子。一个表示数组形状（shape）的元组，表示各维度大小的元组。一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要”跨过”的字节数。 3.2 ndarray()参数：  numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

参数说明：

名称描述object数组或嵌套的数列dtype数组元素的数据类型，可选copy对象是否需要复制，可选order创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）subok默认返回一个与基类类型一致的数组ndmin指定生成数组的最小维度

ndarray 对象由计算机内存的连续一维部分组成，并结合索引模式，将每个元素映射到内存块中的一个位置。内存块以行顺序(C样式)或列顺序(FORTRAN或MatLab风格，即前述的F样式)来保存元素。

3.3 具体实例 

 例1：一维数据

import numpy as np a = np.array([1,2,3]) print (a)

运行结果：

例2： 二维数据

import numpy as np a = np.array([[1, 2], [3, 4]]) print(a)

运行结果：

例3：最小维度 

import numpy as np a = np.array([1,2,3,4,5], ndmin=2) print (a)

运行结果：

 

例 4:指定数据类型

import numpy as np a = np.array([1, 2, 3], dtype = complex) print(a)

运行结果：