自学教程：python

1.NumPy( Numeric Python)

numpy是一个开源的python科学计算扩展库，主要用来处理任意维度数组和矩阵。
相同的任务，使用numpy比直接用python的基本数据结构更加简单高效。

它的功能：

• 包含一个强大的N维数组对象Ndarray
• 广播功能函数
• 整合C/C++代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

numpy是scipy,pandas等数据处理或科学计算库的基础

2.numpy的引用

虽说别名可以省略或者更改，但尽量使用上述约定的别名

3.Ndarray

n维数组，它是一个相同数据类型的集合，以0为下标开始进行集合中元素的索引。
我们知道，python有列表和数组此类的数据结构。

列表：数据类型可以不同（如[3, 2.4 ,‘a’ ,“abc”]），数据是有序的
数组：数据类型相同(如[1，2，3，4])
集合： （如{2，4，3，5，7}）数据是无序的

引入n维数组的意义

观察下列两组操作，其功能都是一样的。

import numpy as npdef pysum():    a = [1, 2, 3, 4]    b = [5, 6, 7, 8]    c = []    for i in range(len(a)):        c.append(a[i]**2+b[i]**3)    return cdef numpysum():    a = np.array([1, 2, 3, 4])    b = np.array([5, 6, 7, 8])    c = a**2+b**3    return cprint("使用列表运算的结果是：", pysum())print("使用Numpy运算的结果是：", numpysum())

运行结果：

使用列表运算的结果是： [126, 220, 352, 528]
使用Numpy运算的结果是： [126 220 352 528]

但是很明显：

• numpy的数组对象可以去掉元素建运算所需要的循环，使一维向量更像单个数据
• numpy通过设立专门的数组对象，经过优化，运算速度也相应提升

通常情况下，在科学运算中，一个维度所有数据的类型往往相同，这时，使用数组对象采用相同的数据类型，有助于节省运算时间和存储空间

ndarray的组成

• 实际的数据
• 描述这些数据的元数据（数据维度、数据类型等）

ndarray对象的属性

3.数据类型

当np.array()不指定dtype时，numpy将根据数据情况关联一个dtype类型

• ndarray支持多种数据类型的原因
• python基本语法只支持整数、浮点数和复数3种类型
• 科学计算涉及数据较多，对存储和性能都有较高要求
• 对元素类型精细定义，有助于numpy合理使用存储空间并优化性能
• 对元素类型精细定义，有助于程序员对程序规模有合理评估

ndarray数组的创建

import numpy as npx = np.array([[1, 0], [2, 0], [3, 1]], np.int32)print(x)print(x.dtype)

程序输出：

[[1 0]
 [2 0]
 [3 1]]
int32

adarray数组的变换

ndarray数组运算

4.索引与切片

• 索引：获取数组中特定位置元素的过程
• 切片：获取数组元素子集的过程

5.随机数函数

6.统计函数

7.梯度函数

8.副本与视图

numpy线性代数

数组与标量之间的运算

常用numpy.linalg函数总结

（好家伙，numpy内置函数太多了…）