1.Numpy是什么？
NumPy（Numerical Python的縮寫）是一個開源的Python科學(xué)計算庫。使用NumPy，就可以很自然地使用數(shù)組和矩陣。 NumPy包含很多實用的數(shù)學(xué)函數(shù)，涵蓋線性代數(shù)運算、傅里葉變換和隨機數(shù)生成等功能。
這個庫的前身是1995年就開始開發(fā)的一個用于數(shù)組運算的庫。經(jīng)過了長時間的發(fā)展，基本上成了絕大部分Python科學(xué)計算的基礎(chǔ)包，當(dāng)然也包括所有提供Python接口的深度學(xué)習(xí)框架。
2.為什么使用Numpy？
a)便捷：
對于同樣的數(shù)值計算任務(wù)，使用NumPy要比直接編寫Python代碼便捷得多。這是因為NumPy能夠直接對數(shù)組和矩陣進(jìn)行操作，可以省略很多循環(huán)語句，其眾多的數(shù)學(xué)函數(shù)也會讓編寫代碼的工作輕松許多。
b)性能：
NumPy中數(shù)組的存儲效率和輸入輸出性能均遠(yuǎn)遠(yuǎn)優(yōu)于Python中等價的基本數(shù)據(jù)結(jié)構(gòu)（如嵌套的list容器）。其能夠提升的性能是與數(shù)組中元素的數(shù)目成比例的。對于大型數(shù)組的運算，使用NumPy的確很有優(yōu)勢。對于TB級的大文件，NumPy使用內(nèi)存映射文件來處理，以達(dá)到最優(yōu)的數(shù)據(jù)讀寫性能。
c)高效：
NumPy的大部分代碼都是用C語言寫成的，這使得NumPy比純Python代碼高效得多。
當(dāng)然，NumPy也有其不足之處，由于NumPy使用內(nèi)存映射文件以達(dá)到最優(yōu)的數(shù)據(jù)讀寫性能，而內(nèi)存的大小限制了其對TB級大文件的處理；此外，NumPy數(shù)組的通用性不及Python提供的list容器。因此，在科學(xué)計算之外的領(lǐng)域，NumPy的優(yōu)勢也就不那么明顯。
（推薦教程：python教程）
3.Numpy的安裝：
- 官網(wǎng)安裝：http://www.numpy.org/。
- pip 安裝：pip install numpy。
- LFD安裝：針對windows用戶http://www.lfd.uci.edu/~gohlke/pythonlibs/。
- Anaconda安裝（推薦）：Anaconda里面集成了很多關(guān)于python科學(xué)計算的第三方庫，主要是安裝方便。下載地址：https://www.anaconda.com/download/。
4.numpy 基礎(chǔ)：
NumPy的主要對象是同種元素的多維數(shù)組。這是一個所有的元素都是一種類型。在NumPy中維度(dimensions)叫做軸(axes)，軸的個數(shù)叫做秩(rank)。NumPy的數(shù)組類被稱作 ndarray（矩陣也叫數(shù)組 。通常被稱作數(shù)組。
常用的ndarray對象屬性有：
ndarray.ndim(數(shù)組軸的個數(shù),軸的個數(shù)被稱作秩)，ndarray.shape(數(shù)組的維度。這是一個指示數(shù)組在每個維度上大小的整數(shù)元組。例如一個n行m列的矩陣，它的shape屬性將是(2,3),這個元組的長度顯然是秩，即維度或者ndim屬性)，ndarray.size（數(shù)組元素的總個數(shù)，等于shape屬性中元組元素的乘積），ndarray.dtype（一個用來描述數(shù)組中元素類型的對象，可以通過創(chuàng)造或指定dtype使用標(biāo)準(zhǔn)Python類型。另外NumPy提供它自己的數(shù)據(jù)類型）。
Numpy的數(shù)據(jù)類型：
import numpy as np
a = np.dtype(np.int_) # np.int64, np.float32 …
print(a) Numpy內(nèi)置的特征碼：
int8, int16, int32,int64 可以由字符串’i1’, ‘i2’,’i4’, ‘i8’代替，其余的以此類推。
import numpy as np
a = np.dtype(‘i8’) # ’f8’, ‘i4’’c16’,’a30’(30個字符的字
# 符串), ‘>i4’…
print (a)
可以指明數(shù)據(jù)類型在內(nèi)存中的字節(jié)序，’>’表示按大端的方式存儲，’<’表示按小端的方式存儲，’=’表示數(shù)據(jù)按硬件默認(rèn)方式存儲。大端或小端存儲只影響數(shù)據(jù)在底層內(nèi)存中存儲時字節(jié)的存儲順序，在我們實際使用python進(jìn)行科學(xué)計算時，一般不需要考慮該存儲順序。
（推薦微課：python3基礎(chǔ)微課）
5.創(chuàng)建數(shù)組并查看其屬性：
(1) 用np.array從python列表和元組創(chuàng)建數(shù)組：
import numpy as np
a = np.array([[1,2,3], [4, 5, 6]], dtype=int)
print(a.shape) # a.ndim, a.size, a.dtypeimport numpy as np
a = np.array([(1,2,3), (4, 5, 6)], dtype=float)
print(a.shape) # a.ndim, a.size, a.dtype(2) 用np.arange().reshape()創(chuàng)建數(shù)組：
import numpy as np
a = np.arange(10).reshape(2, 5) # 創(chuàng)建2行5列的二維數(shù)組，
# 也可以創(chuàng)建三維數(shù)組，
# a = np.arange(12).reshape(2,3,2)
print(a)
判斷下列三維數(shù)組的shape:
a = np.array([[[1,2,3], [4, 5, 6], [7, 8, 9]]])
b = np.array([[[1,2,3]], [[4, 5, 6]], [[7, 8, 9]]])6.基本運算：
import numpy as np
a = np.random.random(6)
b = np.random.rand(6)
c = np.random.randn(6)
print(a-b) # print(a+b),print(a*c) …
# 二維數(shù)組運算
d = np.random.random((2,3))
e = np.random.randn(2, 3)
f = np.random.rand(2,3)
print(d-e) # print(d+f),print(e*f) …
print(np.dot(a,b)) #復(fù)習(xí)矩陣乘法
print(a.dot(b))
# Numpy 隨機數(shù)模塊np.random.random, np.random.randn, np.random.rand的比較
（1）rand 生成均勻分布的偽隨機數(shù)。分布在（0~1）之間
（2）randn 生成標(biāo)準(zhǔn)正態(tài)分布的偽隨機數(shù)（均值為0，方差為1）。import numpy as np
a = np.ones((2,3))
b = np.zeros((2,3))
a*=3
b+=a7.常用函數(shù)：
import numpy as np
a = np.arange(10)
np.where()8.索引，切片和迭代：
import numpy as np
a = arange(10)**3
a[2]
a[2:5]
a[:6:2] = -1000
a[ : :-1]
for i in a:
print i**(1/3.)
# 多維數(shù)組的索引
b = np.arange(20).reshape(5,4)
b[2,3]
b[0:5, 1]
b[ : ,1]
b[1:3, : ]
#當(dāng)少于軸數(shù)的索引被提供時，確失的索引被認(rèn)為是整個切片
b[-1] #相當(dāng)于b[-1,:]
# b[i] 中括號中的表達(dá)式被當(dāng)作 i 和一系列 : ，來代表剩下的軸。NumPy也允許你使用“點”像 b[i,...] 。
#點 (…)代表許多產(chǎn)生一個完整的索引元組必要的分號。如果x是
#秩為5的數(shù)組(即它有5個軸)，那么:x[1,2,…] 等同于 x[1,2,:,:,:],x[…,3] 等同于 x[:,:,:,:,3]，x[4,…,5,:] 等同 x[4,:,:,5,:].
三維數(shù)組的索引：
c = np.arange(12).reshape(2,3,2)
c[1]
c[2,1] # 等價于c[2][1]
c[2,1,1] # 等價于c[2][1][1]
# 通過數(shù)組索引
d = np.arange(10)**2
e = np.array ([3, 5, 6])
d[e] = ?
#練習(xí)， 用同樣的方法在二維數(shù)組中操作。
# 通過布爾數(shù)組索引
f = np.arange(12).reshape(3, 4)
g = f>4
print(g)
f [g]迭代多維數(shù)組是就第一個軸而言的：
h = np.arange(12).reshape(3,4)
for i in h:
print(i)如果想對每個數(shù)組中元素進(jìn)行運算，我們可以使用flat屬性，該屬性是數(shù)組元素的一個迭代器:
for i in h.flat:
print(i)
補充：flatten()的用法：
np.flatten()返回一個折疊成一維的數(shù)組。但是該函數(shù)只能適用于numpy對象，即array或者mat，普通的list列表是不行的。
import numpy as np
a = np.array([[1,2], [3, 4], [5, 6]])
a.flatten()
b = np.mat([[1,2,3], [4, 5, 6]])
b.flatten()
c = [[1,2,3], [4, 5, 6]]
c.flatten() ?
想要list達(dá)到同樣的效果可以使用列表表達(dá)式：
[y for x in a for y in x]9. 形狀操作：
ravel(),vstack(),hstack(),column_stack,row_stack, stack, split, hsplit, vsplit
import numpy as np
#增加維度
a = np.arange(5)
a[:, np.newaxis]
a[np.newaxis, :]
np.tile([1,2], 2)
#合并
a = np.arange(10).reshape(2,5)
print(a.ravel())
print(a.resize(5,2))
b = np.arange(6).reshape(2,3)
c = np.ones((2,3))
d = np.hstack((b,c)) # hstack：horizontal stack 左右合并
e = np.vstack((b,c)) # vstack: vertical stack 上下合并
f = np.column_stack((b,c))
g = np.row_stack((b,c))
h = np.stack((b, c), axis=1) # 按行合并
i = np.stack((b,c), axis=0) # 按列合并
j = np.concatenate ((b, c, c, b), axis=0) #多個合并
#分割
k = np.hsplit(i, 2)
l = np.vsplit(i, 2)
m = np.split(i, 2, axis=0)
n = np.split(i, 2,axis=1)
o = np.array_split(np.arange(10),3) #不等量分割10.深拷貝：
import numpy as np
a = np.arange (4)
b = a
c = a
d = b
a[0]=10 a = ? b = ? c= ? d = ?
b = a.copy()
a [0] = 9
b = ?11.廣播 Broadcasting
廣播是一種強有力的機制，它讓Numpy可以讓不同大小的矩陣在一起進(jìn)行數(shù)學(xué)計算。我們常常會有一個小的矩陣和一個大的矩陣，然后我們會需要用小的矩陣對大的矩陣做一些計算。
把一個向量加到矩陣的每一行：
import numpy as np
a = np.array ([[1,2,3], [4,5,6], [7,8,9]])
b = np.array ([10,10,10])
c = np.tile(b, (4,1))
d = a + c
#用廣播機制：
c = a + b對兩個數(shù)組使用廣播機制要遵守下列規(guī)則：
- 如果數(shù)組的秩不同，使用1來將秩較小的數(shù)組進(jìn)行擴展，直到兩個數(shù)組的尺寸的長度都一樣。
- 如果兩個數(shù)組在某個維度上的長度是一樣的，或者其中一個數(shù)組在該維度上長度為1，那么我們就說這兩個數(shù)組在該維度上是相容的。
- 如果兩個數(shù)組在所有維度上都是相容的，他們就能使用廣播。
- 如果兩個輸入數(shù)組的尺寸不同，那么注意其中較大的那個尺寸。因為廣播之后，兩個數(shù)組的尺寸將和那個較大的尺寸一樣。
- 在任何一個維度上，如果一個數(shù)組的長度為1，另一個數(shù)組長度大于1，那么在該維度上，就好像是對第一個數(shù)組進(jìn)行了復(fù)制。
以上就是關(guān)于python中numpy庫的相關(guān)知識了，希望對大家有所幫助。
