import numpy as np_Python | Numpy简介

Numpy简介

• python标准库中的列表(list)可以当数组用，支持动态内存分配和垃圾收集，列表元素可以是任何对象，功能强大！
• 列表的缺点：

1. 慢：循环时有各种下标检查和类型检查
2. 占内存多：保存的是对象+指针

NumPy的优点：

1. 两大法宝：多维数组ndarray和通用函数ufunc
2. 面向数值计算，速度快(内置函数逼近c语言)

NumPy官方提供丰富的中文资源如何使用Numpy等python第三方软件包？(如何开外挂？)

1. 先导入再使用，没导入就没法用
2. 如何导入？用import
3. 被import的可以是通过conda或pip安装的包，也可以是python的path中(包括当前目录)的其它x.py文件。

# 导入名为numpy的包，命名为npimport numpy as np

多维数组ndarray对象

• 多维数组ndarray(n-dimensional array object)是NumPy的核心对象
• 它存储单一类型的多维数组，注意与列表(list)的区别
• 结构简单，功能强大
• 使用优化过的C API，速度快

ndarray对象：创建

# 给np.array()函数传递python序列对象a=np.array([1,2,3,4])b=np.array((5,6,7,8))c=np.array([[1,2,3,4],[4,5,6,7],[7,8,9,10]])print('a = ',a)print('b = ',b)print('c = ',c)

输出结果

# 也可以用zeros, ones, empty和full函数，创建指定大小，值为0/1/空/定数值的数组zz=np.zeros((2,3,4))oo=np.ones((2,3,4))ee=np.empty((2,3,4))ff=np.full((2,3,4),999)print('zz = ', zz)print('oo = ', oo)print('ee = ', ee)print('ff = ', ff)# empty只分配内存，不赋值，最快。但是里面的内容是啥就不一定了！使用empty创建的ndarray，一定得初始化再使用。

输出结果

# 创建形状类型与a相同的数组za = np.zeros_like(a)oa = np.ones_like(a)ea = np.empty_like(a)fa = np.full_like(a,999)