Numpy概述

Numpy是什么，Numpy是一个开源的Python科学计算库，用于快速处理任意维度的数组。

Numpy支持常见的数组和矩阵操作，对于同样的数值计算任务，使用NumPy不仅代码要简洁的多，而且NumPy的性能远远优于原生Python，基本是一个到两个数量级的差距，而且数据量越大，NumPy的优势就越明显。

Numpy最为核心的数据类型是ndarray，使用ndarray可以处理一维、二维和多维数组，该对象相当于是一个快速而灵活的大数据容器。

NumPy底层代码使用C语言编写，解决了GIL的限制，ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作速度很快，远远优于python中的list。

另一方面ndarray对象提供了更多的方法来处理数据，尤其是和统计相关的方法，这些方法也是python原生的list没有的。

Python中的数组 

在python中，我们常用list和tuple等数据结构表示数组，也或者使用array模块（非内置模块）表示数组。但是array提供的函数并不丰富，而且它也不支持多维数组，所以在丰富的数据分析中这是无法满足的。但是好在NumPy可以为我们提供帮助。

NumPy中的ndarray

1. NumPy中的核心数据结构

2. 所有元素是同一种类型

3. 别名array（数组）

4.节省内存，提高CPU计算时间，有丰富的函数

5. NumPy的思维模式是面向数组

ndarray中的数据类型

 ndarray多维数组属性

1. 数组下标都是从0开始

2. 同一个ndarray数组中的所有元素的类型必须相同

3. 秩（rank）即维数，一维数组的秩为1，二维数组的秩为2，以此类推

4. 轴（axis）：每一个线性的数组称为是一个轴，也就是维度（dimensions）。比如，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组，所以一维数组就是ndarray中的轴，第一个轴（也就是第0轴）相当于是底层数组，第二个轴（也就是第1轴）是底层数组里的数组

很多时候可以声明axis。axis=0，表示沿着第0轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作

NumPy 的数组中比较重要 ndarray 对象属性如下：

 看了这些属性，我们也不知道是啥意思，那么下面以一个4*4的数组为例子：

 从图中我们可以看出，一维为第0轴（列），二维为第1轴（行）。下面我们通过代码表示出来如下：

 ndarray的创建

ndarray的创建方法如下：

1. 从python的基础数据对象转化

2. 通过numpy内置函数生成

3. 从硬盘（文件）中直接读取

常见的创建函数如下:

 那么总结了多函数，也不如来个实际的例子舒服：

NumPy 切片和索引

1. ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。

2. ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组

3.冒号分隔切片参数 start:stop:step 来进行切片操作

4.切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同。 如果在行位置使用省略号，它将返回包含行中元素的 ndarray

例子如下：

NumPy 线性代数

NumPy 提供了线性代数函数库 linalg，该库包含了线性代数所需的所有功能，如下：

 代码如下：

总结 

numpy库主要用于处理ndarray，也就是多维数组，而且在实际应用中需要的各种功能基本上都有，使用时只需要调用相应的接口函数即可。如果想了解更多numpy的使用，请看Numpy教程