一文带你了解科学计算库 numpy

---

前言

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。

Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。

Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。

机器学习的最大特点就是大量的数据运算，那么如果没有一个快速的解决方案，那可能现在python也在机器学习领域达不到好的效果。

Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯Python代码。

numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算.

引入库

import numpy as np

import warnings
warnings.filterwarnings('ignore')

初始数组

类比Excel表格，一维数组就相当于一行，二位数组就相当于一个表格，三维数组就是一个工作簿中的多个表，以此类推，我们常用的是一维数组、二维数组，三维数组用的比较少

• 一维数组

arr = np.array([1,2,3,4])
arr

结果：

• 二维数组

score = np.array(
[[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]]
)

结果：

属性

1. 形状

score.shape

# 结果
(8, 5)
# 可以理解为8行5列的表

2. 维度

score.ndim
# 结果
2
# 表示这个矩阵是二维的

3. 元素个数

score.size
# 结果
40
# 一共有40个元素

4. 类型

score.dtype
# 结果
dtype('int32')
# 元素属性是 int32 类型的

创建数组及基本操作

• 生成数组

1. 全是0的数组

np.zeros(shape=(10,5),dtype=np.int64)

**结果： **

2. 全是1的数组

np.ones(shape=(10,5),dtype=np.int64)

结果：