python NumPy和SciPy 简单介绍

凭借着 NumPy 和 SciPy 提供的高阶数组和矩阵操作，Python 成为科学计算应用的主流语言。NumPy 实现了多维同质数组（homogeneous array）和矩阵，这些数据结构不但能处理数字，还能存放其他由用户定义的记录。通过 NumPy，用户能对这些数据结构里的元素进行高效的操作。

SciPy 是基于 NumPy 的另一个库，它提供了很多跟科学计算有关的算法，专为线性代数、数值积分和统计学而设计。SciPy 的高效和可靠性归功于其背后的 C 和 Fortran 代码，而这些跟计算有关的部分都源自于 Netlib 库（http://www.netlib.org）。换句话说，SciPy 把基于C 和 Fortran 的工业级数学计算功能用交互式且高度抽象的 Python 包装起来，让科学家如鱼得水。

下面示例 是一个很简短的演示，从中可以窥见一些 NumPy 二维数组的基本操作

import numpy  # 安装 NumPy 之后，导入它（NumPy 并不是 Python 标准库的一部分）

a = numpy.arange(12)  # 新建一个 0~11 的整数的 numpy.ndarry，然后把它打印出来
print(a)
# [ 0  1  2  3  4  5  6  7  8  9 10 11]
print(type(a))
# <class 'numpy.ndarray'>

print(a.shape)  # 看看数组的维度，它是一个一维的、有 12 个元素的数组
# (12,)
a.shape = 3, 4  # 把数组变成二维的，然后把它打印出来看看。
print(a)
# [[ 0  1  2  3]
# [ 4  5  6  7]
# [ 8  9 10 11]]


print(a[2])  # 打印出第 2 行。
# [ 8  9 10 11]
print(a[2, 1])  # 打印第 2 行第 1 列的元素
# 9
print(a[:, 1])  # 把第 1 列打印出来
# [1 5 9]
print(a.transpose())  # 把行和列交换，就得到了一个新数组
# [[ 0  4  8]
# [ 1  5  9]
# [ 2  6 10]
# [ 3  7 11]]

以上的内容仅仅是九牛一毛。NumPy 和 SciPy 都是异常强大的库，也是其他一些很有用的工具的基石。Pandas（http://pandas.pydata.org）和 Blaze（http://blaze.pydata.org）数据分析库就以它们为基础，提供了高效的且能存储非数值类数据的数组类型，和读写常见数据文件格式（例如 csv、xls、SQL 转储和 HDF5）的功能。