numpy 获取特定数值的索引_NumPy初学教程，可视化指南

数据科学三分天下，Python占其一。Python数据科学 NumPy是基础，不管pandas还是tensorflow， NumPy都是基础库，学习NumPy基础类型和操作必不可少。本文我们就介绍NumPy基础，并以图形方式展现，以方便初学者理解。

概述

NumPy中最基本数据类型是数组，所有数据组织都是n维数组形式组织的。其中一维和二维数组是基础，其他多维数组的操作和其类似。

NumPy数组形式上和Python列表相似。两者都可以用作数据容器，可以快速访问和设置项目，但是数据插入和移动比较慢。

NumPy数组支持对其进行简单算术运算：

NumPy数组还具有：

比较紧凑，尤其是在一个以上的维度上；

可以向量化操作时比列表快；

将元素追加到末尾比列表慢(O(1)和O(N))；

通常是同质的：只能快速处理一种类型的元素；

注意：O(N)表示完成操作所需的时间与数组的大小成正比，以及O(1),表示消耗时间固定和数组的大小无关。

向量——一维数组

向量初始化：创建NumPy数组的一种方法通过Python列表转换。数组类型会从列表元素类型中自动推导：

确保输入为同类型列表，否则其类型dtype='object'，不仅转换耗时，而且只保留NumPy中包含的语法糖。

NumPy数组无法像Python列表那样增长：在数组末尾没有保留空间以方便快速追加。

一种常见的做法要么长出一个Python列表，并将其转换为NumPy的数组时，它已准备就绪或预分配必要的空间，可以用np.zeros和np.empty。

通常可以使用zeros_like()函数创建一个空数组，以大小和元素类型匹配现有数组：

创建以常量值填充的数组的函数都有一个对应的的_like函数：

在NumPy中，对有序数组有两个初始化函数：argnge()和lispace()

如果需要类似的浮点数组，例如[0., 1., 2.]，可以修改arange输出的类型：arange(3).astype(float)。arange函数对类型敏感：如果将int作为参数输入，它将生成int，并且如果输入float(例如arange(3.))，则将生成float。

但是arange在处理浮点数方面并不是特别擅长：

0.1对于我们来说，这看起来像是一个有限的十进制数，但对计算机而言却不是：用二进制表示，它是一个无穷小数，必须四舍五入到精度需求的位数。所以给arange赋值为小数通常会有问题：会抛出一个错误。可以使间隔的非整数步数，但这会降低可读性和可维护性。

而linspace不受舍入错误的影响，它始终生成要求的元素数量。不过，需要注意的的是它计算的是点，而不是间隔，因此最后一个参数始终，通常认为是加一。因此结果11，而不是上面示例中的10。

在数值计算中，通常需要生成随机数组：

向量索引

一旦将数据保存在了数组中，就可以使用NumPy数组索引对其进行操作。

除花式索引外，以上介绍的所有索引方法实际上都是所谓的"视图"：如果索引的值做操作发生更改，则它们不会影响原始数