详解NumPy库，强大的Python科学计算包

哈喽，大家好。

之前写了几篇 Python 基础的文章，效果不错。为感谢大家的支持，月底搞一波抽奖送书活动。

闲话少叙，今天来详解一个 Python 库 —— NumPy。

NumPy是 Python 科学计算的基本包，几乎所有用 Python 工作的科学家都利用了NumPy的强大功能。此外，它也广泛应用在开源的项目中，如：Pandas、Seaborn、Matplotlib、scikit-learn等。

Numpy应用的领域

举个栗子，直观感下NumPy的强大。

均方差公式

上图是计算均方差的公式，其中Y_prediction和Y是数组。

下面是用NumPy代码，一行便可完成。

NumPy计算均方差

NumPy结合可视化库，可以用几行代码，绘制出下面的数学函数图

记得学高中学数学的时候，画函数图都要自己在本上描点，而现在用NumPy，几行代码就搞定，既快又准确。

简单认识NumPy后，下面进入详解

1. 与list的区别

NumPy和list都是数组结构，那它们之间有什么区别呢？

1. NumPy数组中所有元素的数据类型是相同的。

2. NumPy底层经过充分优化的 C 语言代码，计算性能比list高。

3. NumPy提供了全面的数学函数可以直接应用在NumPy数组上。

2. 创建数组

NumPy中定义的数组叫ndarray，n-dimensions-array 即：n维数组。

用np.array()函数可以创建NumPy数组

>>> import numpy as np
>>> a = np.array([1, 2, 3]) #创建ndarray数组
>>> a
array([1, 2, 3])
>>> type(a)
<class 'numpy.ndarray'>

a就是NumPy数组，也是numpy.ndarray类对象，该类定义了几个常用的属性

• ndarray.ndim：维度的数量，二位数组ndim是 2

• ndarray.shape：元组，每位代表该维度上元素个数，元组长度等于ndim

• ndarray.size：数组中元素总数

• ndarray.dtype：数组中元素的数据类型

• ndarray.itemsize：数组中元素存储大小（以字节为单位）

>>> a = np.array([[1,2,3], [4,5,6]])
>>> a
array([[1, 2, 3],
       [4, 5, 6]])
>>> a.ndim
2
>>> a.shape
(2, 3)
>>> a.size
6
>>> a.dtype
dtype('int64')
>>> a.itemsize
8

除了np.array()创建数组外，还有下面的方式创建数组

>>> np.zeros((2,3)) # 以0填充的二维数组
array([[0., 0., 0.],
       [0., 0., 0.]])
>>> np.ones((2,3)) # 以1填充的二维数组
array([[1., 1., 1.],
       [1.,