Numpy是高性能科学计算和数据分析的基础包。
Numpy本身并没有提供多么高级的数据分析功能，理解 Numpuy 数组以及面向数组的计算将有助于你更加高效的使用诸如 pandas 之类的工具
Pyhton 中用列表保存一组值，可将列表当成是数组使用。此外，Python 有 array 模快，但他不支持多维数组，无论是列表还是 array 模块都没有科学运算函数，不适合做矩阵等科学计算。因此，Numpy没有使用 Python 本身的数组机制，而是提供了 ndarray 数组对象，该对象不断能方便的存取数组，而且拥有丰富的数组计算函数，比如向量的加法、减法、乘法等。
使用 ndarray 数组，首先需要导入 Numpy 函数库，也可以直接导入该函数库：
from numpy import *
或指定导入库的别名（在引入多个库的时候，推荐使用这个方法）。
import numpy as np
下面正式进入Numpy的数组世界。如果没有说明，所称数组均为 Numpy 数组对象，与 Python 的列表和 array模块无关。
创建数组是进行数组计算的先决条件，可以通过array()函数定义数组实例对象，其参数为Python 的序列对象（比如列表。）如果想定义多维数组，则传递多层嵌套的序列。例如下面这条语句定义了一个二维数组，其大小为（2,3），即有2行，3列。
a = np.array([[1,2,4.0],[3,6,9]]) a array([[ 1., 2., 4.], [ 3., 6., 9.]])
接着我们看下数组的一些属性：
# 查看行数
a.ndim
2
# 查看数组的维数，返回(n,m)， 其中 n 为行数，m 为列数。
a.shape
(2, 3)
# 查看元素的类型，比如 numpy.int32、numpy.float64
a.dtype dtype('float64')
Numpy的特殊数组主要有以下几种：
- zeros数组：全零数组，元素全为0；
- ones数组：全1数组，元素全为1;
- empty数组：空数组，元素全近似为0；
下面是全零、全1、空数组的创建方法：
np.zeros((2,3)) array([[ 0., 0., 0.], [ 0., 0., 0.]]) np.ones((3,4)) array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]]) np.empty((3,2)) array([[ 0., 0.], [ 0., 0.], [ 0., 0.]])
arange函数：他与 Python 的 range 函数相似，但他属于Numpy 库，其参数依次为：开始值、结束值、步长。
np.arange(1,20,5)
array([ 1, 6, 11, 16])
我们还可以使用 linspace 函数创建等差序列数组，其参数依次为：开始值、结束值、元素数量。
np.linspace(0,2,9)
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
Numpy 数组的每个元素、每行元素、每列元素都可以用索引访问，不过注意：索引是从 0 开始的。
其操作与列表基本相同。
a = np.array([[1,2,4.0],[3,6,9]]) # 取 a 的第一行元素 a[0] array([ 1., 2., 4.]) # 取 a 的第二列元素 a[:,1] array([ 2., 6.]) # 取 a 的第一行的第三个元素 a[0,2] 4.0
1.5 数组运算
a = np.array([1,2,3]) b = np.array([4.,5,6]) # 加法运算 a + b array([ 5., 7., 9.]) # 减法运算 a - b array([-3., -3., -3.]) # 乘法运算 a * b array([ 4., 10., 18.]) # 乘方运算：a的2次方 a ** 2 array([1, 4, 9]) # 除法运算 a/b array([ 0.25, 0.4 , 0.5 ]) # 数组点乘 np.dot(a,b) 32.0 # 判断大小，返回 bool 值 a >= 2 array([False, True, True], dtype=bool) # a中最大的元素 a.max() 3 # a中最小的元素 a.min() 1 # a的和 a.sum() 6
数组的拷贝分为浅拷贝和深拷贝两种，浅拷贝通过数组变量的复制完成，深拷贝使用数组对象的copy方法完成。
浅拷贝只拷贝数组的引用，如果对拷贝对象修改。原数组也将修改。
下面的代码演示了浅拷贝的方法：
a = np.ones((2,3)) a array([[ 1., 1., 1.], [ 1., 1., 1.]]) # b 为 a 的浅拷贝 b = a b array([[ 1., 1., 1.], [ 1., 1., 1.]]) # 对 b 进行修改，a 也会被修改 b[1,2] = 9 a --------------------------------------------------------------------------- NameError Traceback (most recent call last) <ipython-input-2-a2b0891fb16b> in <module>() 1 # 对 b 进行修改，a 也会被修改 ----> 2b[1,2] = 9展开输出 ↓ 3 a NameError: name 'b' is not defined
深拷贝会复制一份和原数组一样的数组，但他们在内存中是分开存放的，所以改变拷贝数组，原数组不会改变。
下面的代码演示了 b 使用 copy 方法从原数组 a 复制一份拷贝的情况。
a = np.ones((2,3)) a array([[ 1., 1., 1.], [ 1., 1., 1.]]) b = a.copy() b[1,2] = 9 b array([[ 1., 1., 1.], [ 1., 1., 9.]]) a array([[ 1., 1., 1.], [ 1., 1., 1.]])
Numpy的矩阵对象与数组对象相似，主要不同之处在于，矩阵对象的计算遵循矩阵数学运算规律。矩阵使用 matrix 函数创建，以（2,2）大小的矩阵为例（2行2列），定义方法如下：
A = np.matrix([[1.0,2.0],[3.0,4.0]]) A matrix([[ 1., 2.], [ 3., 4.]]) # 查看A的类型 type(A) numpy.matrixlib.defmatrix.matrix
矩阵的常用数学运算有转置、乘法、求逆等。下面的代码演示了矩阵的基本运算。
# 转置 A.T matrix([[ 1., 3.], [ 2., 4.]]) B = np.matrix([[3.0],[5.0]]) B matrix([[ 3.], [ 5.]]) # 矩阵乘法 A * B matrix([[ 13.], [ 29.]]) # 逆矩阵 A.I matrix([[-2. , 1. ], [ 1.5, -0.5]]) # 解线性方程组 solve(A, B) matrix([[-1.], [ 2.]])