1_numpy_安装_介绍_简单使用

numpy的安装与简单介绍

原文档

1. 安装numpy

   使用pip

   pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   在文件中导入numpy

   import numpy as np
   

   np是numpy模块的别名，尽管别名可以省略或更改，建议使用上述约定俗成的别名

2. numpy的N维数组对象：ndarray

   Python已有列表类型,为什么需要一个数组对象(类型)?

   例如: 计算 A^2 +B^2 ,其中,A和B是一维数组。

    a = [0, 1, 2, 3, 4, ]
    b = [9, 8, 7, 6, 5, ]
    
    # 方法1
    def py_sum():
        c = []
        for i in range(len(a)):
            c.append(a[i] ** 2 + b[i] ** 2)
        print(c)
    
    py_sum() #[81, 65, 53, 45, 41]
    
    #方法2
    def np_sum():
        global a
        global b
        a = np.array(a)
        b = np.array(b)
        c = a ** 2 + b ** 2
        print(c)
    np_sum()#[81 65 53 45 41]
   

   对比两种方法:

   方法2:

   1. 数组对象可以去掉元素间运算所需的循环,使一维向量更像单个数据
   2. 设置专门的数组对象,经过优化,可以提升这类应用的运算速度
   3. 数组对象采用相同的数据类型,有助于节省运算和存储空间

   ndarray是一个多维数组对象，由两部分构成

   • 实际的数据
   • 描述这些数据的原数据

   ndarray对象的属性

   • 轴(axis):保存数据的维度；秩(rank):轴的数量

     

   实例

    # ndarray属性
    
    a = np.array(
        [[1, 2, 3, 4],
         [5, 6, 7, 8]]
    )
    print(a.ndim)  # 秩 2
    print(a.shape)  # 对象的尺度 n行m列 2行4列  (2,4)
    print(a.size)  # 对象的个数 n*m 8
    print(a.dtype)  # 元素类型 int64
    print(a.itemsize)  # 每个元素的大小，以字节为单位  8
   

   

   

   

   ndarray为什么要支持这么多种元素类型?

   • 对比:Python语法仅支持整数、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

   非同质的ndarray对象：

    a = np.array(
        [[1, 2, 3, 4],
         [5, 6, 7]]
    )
    print(a.ndim)  # 秩 1
    print(a.shape)  # 对象的尺度 n行m列   (2,)
    print(a.size)  # 对象的个数 n*m 2
    print(a.dtype)  # 元素类型 object
    print(a.itemsize)  # 每个元素的大小，以字节为单位  8
   

   • 非同质元素为对象类型

   • 非同质的情况下，数组的各种属性已发生变化，与同质情况不同，不必去深究它。

   • 非同质ndarray对象无法有效发挥NumPy优势,尽量避免使用

下一篇