目录
- 1.NumPy( Numeric Python)
- 2.numpy的引用
- 3.Ndarray
- 引入n维数组的意义
- ndarray的组成
- ndarray对象的属性
- 3.数据类型
- ndarray数组的创建
- adarray数组的变换
- ndarray数组运算
- 4.索引与切片
- 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
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
文章图片
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**3return 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]但是很明显：
使用Numpy运算的结果是： [126 220 352 528]
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
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）
文章图片
ndarray对象的属性
文章图片
3.数据类型
文章图片
文章图片
文章图片
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
文章图片
文章图片
文章图片
文章图片
adarray数组的变换
文章图片
文章图片
文章图片
ndarray数组运算
文章图片
文章图片
文章图片
文章图片
文章图片
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
文章图片
文章图片
文章图片
5.随机数函数
文章图片
文章图片
文章图片
文章图片
文章图片
文章图片
文章图片
6.统计函数
文章图片
【python|python numpy库介绍】
文章图片
文章图片
文章图片
文章图片
7.梯度函数
文章图片
文章图片
文章图片
8.副本与视图
numpy线性代数
数组与标量之间的运算
文章图片
常用numpy.linalg函数总结
文章图片
（好家伙，
numpy内置函数太多了…）
