用Numpy从0开始学Python

写在开始前

本文从0开始，主要讲述Python中的Numpy程序库的用法。即使你之前对Python一无所知，只要你感兴趣，我相信本文可以带你入门。
在开始前，请快速浏览以下内容，并点击高亮部分的链接进行阅读，了解即可，看不懂直接跳过。

• 首先你需要知道什么是Python。总之，它是当前互联网时代可能最强大的工具之一。我预测，未来编程也会像算术一样成为每个人必备的技能。

• 简要介绍NumPy：

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
其前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。¹

• 你可能还没有安装Python以及Numpy：
  • Python有很多平台可供选择，如果是零基础入门的话直接上官网下载IDLE即可。具体可参考视频，观看前两分钟即可。
  • NumPy的安装参考教程。

现在，让我们开始吧~😁

---

为什么要学习NumPy

Python作为一门强有力的编程语言，以简洁的代码，强大的功能著称。然而，相比于C，它的运行速度是很慢的。²
而Numpy仿佛就是Python的救星，它能把简单好用的 Python 和高性能的 C 语言合并在一起。当你调用 Numpy 功能的时候, 它其实调用了很多 C 语言而不是纯 Python。这就是为什么大家都爱用 Numpy 的原因。
在这个大数据的时代，如果你想进行数据分析，运用数据进行统计推断，那NumPy正好就可以满足你的需求。
同时，正如前面所说，它简直就是速度怪兽，唰唰唰地就能跑完你的代码！

让我们抛弃语法，开始！

我很赞成国外一位程序员Jeff Olson的观点：(Teachers) stop teaching code, solicit prediction instead.³

• 某种程度上，我们被传统的教学方式禁锢了。对于编程，它是像做菜一样，你根本不用了解做菜发生的化学反应是什么，你只要知道：这样做我吃起来很香，我感觉很快乐。
• 所以，让我们抛弃语法，直接去体验代码，它就长这样，很美。同时，你需要“猜”，猜这块代码执行的是什么功能（也就是solicit predicition instead）。
• 那猜了过后呢？请自己按照我的代码自己敲一遍，验证自己的猜想，根据结果的反馈来更正自己的认知。
• 试着更改代码，加入自己的东西，观察结果。你可以更改的不仅仅是函数变量，你甚至可以更改函数名，看看有没有这个函数，它实现的是怎样的功能。
• 图像是搬运的Jay Alammar的 A Visual Intro to NumPy and Data Representation。别人做得很好，这里就不重复造轮子了。
• 请停留三秒钟再体会一下这句话：它就长这样，很美。

首先，引入NumPy。

>>> import numpy as np

打开IDLE，按回车执行。你会发现它什么也没有发生，但Python现在已经将这个模块以np的名字引入了，所以你可以直接用np.的形式调用里面的函数。

构造数组

>>> data = np.array([1, 2, 3])

执行，什么也没有发生

>>> data.max()

执行，观察结果。以下是图解：

有时，我们希望可以快速地对数组进行初始化，这时候就要用到NumPy提供给我们的方法ones()，zeros()，random.random()。

>>> ones = np.ones(3)
>>> zeros_1 = np.zeros(3)
>>> random_1 = np.random.random(3)

运行，然后我们在屏幕上打印出结果：

>>> for each in (ones, zeros_1, random_1):
	print(each)

按两次回车，执行。

请务必根据图像和代码本身进行理解！

同样的，试试：

>>> zeros_2 = np.zeros([1,3])
>>> zeors_3 = np.zeros(1,3)

发生了什么？尝试通过互联网解决自己的疑问吧~
那如果我更改一下函数名：

>>> random_2 = np.random.randn(3)
>>> random_3 = np.random.randint(3)

代码能正常运行吗？如果可以，像上面一样，打印出结果试试！
我直接跳过了维度的问题，请参考文章Numpy中的shape函数的用法详解，同样，使用上述的学习方法，先预测结果，再实现代码，最后加入自己的东西重复验证结果。
也许部分结果无法吻合，没关系。以你电脑上的输出为准。

数组的计算

先自己动手，按照之前的代码照猫画虎，实现以上图像。
那如果我对这两个数组进行加减乘除计算会怎样呢？

>>> a = data - ones
>>> b = data + ones
>>> c = data * ones
>>> d = data / ones

同样地，试着用for循环和print逐个打印出a, b, c, d 。
注意，这里的乘法是逐项相乘(element-wise)，与矩阵的点乘不同。
以下是图解：

那如果和一个常数进行计算呢？

>>> e = data * 1.6
>>> f = data + 1.6

Wow, wonderful!
这叫broadcasting，也就是NumPy的广播机制。它将一个常数展开为一个维数相当的数组，然后再进行加减乘除运算。

引用数组中的元素

请依次运行以下代码：

>>> data = np.array([1, 2, 3])
>>> data[0]
>>> data[3] # 代码报错，为什么？
>>> data[0:2]
>>> data[1:]

是不是结果很酷炫？来看看图解吧：

以上我们用到了NumPy的切片操作，感兴趣可以看一下这篇文章 NumPy 数组切片

在更高维度

当数组到了更高维度，我们可以叫它 矩阵(matrix）
请观察图像，并自己写出对应的代码。

构造数组

数组的计算

同样地，矩阵当中也有广播机制

矩阵点乘

矩阵点乘即是求矩阵内积。

>>> data = np.array([[1, 2, 3]])
>>> temp = [10**i for i in range(6)] # 使用列表推导式得出一个列表
>>> powers_of_ten = np.array(temp) # 将list转换为numpy
>>> powers_of_ten = powers_of_ten.reshape(3, 2)
>>> data.shape
>>> powers_of_ten.shape
>>> np.dot(data, powers_of_ten)

先执行自己的代码，观察结果。图解如下：

矩阵的内积究竟做了什么呢？
其实是将data的一个行的元素逐个乘以powers_of_ten的一个列的元素，并求和（sum）。

求矩阵的内积在深度学习中运用十分广泛，通过向量化(vectorization)，可以将庞大的数据构建成矩阵，并运用numpy进行求内积，即是将数据统一地乘以对应权重。通过numpy，可以大大提升神经网络前向传播的速度。

引用矩阵中的元素

>>> temp = [i for i in range(1, 7)]
>>> data = np.array(temp