科学计算基础软件包Numpy学习 01

前言

NumPy是python科学计算的基础软件包，提供了多维数组类及其派生类，和python中列表相比，Numpy在速度上拥有明显的优势，底层使用C语言来编写，内置并行运算功能，并且内部解除了GIL，这意味着Numpy在运行速度和并行计算方面有这先天优势。

安装

Numpy安装非常简单，可以使用pip命令直接安装，安装是可以使用==选择版本号，使用-i参数选择下载速度更改的镜像源。

pip install numpy

导入Numpy是写成import numpy as np 是程序员约定俗称的规则

>>> import numpy as np

列表VS数组

python的列表操作非常灵活，特别是引入负数索引后，更是为列表操作注入了“神奇的力量”，每一个位程序员第一次使用python列表时，都会被它的便捷所打动。
首先，python列表的元素类型不受限制，同一个列表内，列表元素可以是不同的数据类型，甚至可以是函数。
其次，python列表元素可以动态增删，可以通过append()方法向列表末尾增加元素，insert()在指定位置插入元素，pop()删除指定索引的元素，remove()可以删除指定的元素。
最后，python列表的索引非常简单，灵活，高效，[-1]可以取得最末尾的元素，[1:-1]可以返回“掐头去尾”后的列表，[::-1]可以反转列表,[::2]可以隔开一个取一个元素。
Numpy数组的操作更加便捷，比python列表更是有过之而不及，并且还提供了大量的函数，但是同时也增加了限制：一是数组元素必须具有相同的数据结构；二是数据一旦创建，其元素数量就不能在改变了。
说到这里，你也许会问：既然Numpy数组有这些限制条件，那我们为啥还要使用它呢？答案是，Numpy数据具有极高的，接近C语言的运行的效率，同时又继承了python列表操作便捷，灵活的特点，可以说Numpy数组是专为处理科学数据而生的。

数组的数据类型

Numpy支持的数据类型主要有整型，浮点型，布尔型和复数型，每一个种数据类型根据占用内存的字节数又分为多个不同的子类型。
整型：np.int8,np.int16,np.int32,np.int64
无符号整型：np.uint8,np.uint16,np.uint32,np.uint64
浮点型：np.float16,np.float32,np.float64
布尔型：np.bool
复数型：np.complex64,np.complex128
注意：在创建数组的时，如果不指定数据类型，Numpy会根据输入的参数自动选择合适的数据类型，通常在指定数组类型的时候，可以省略类型后面的数字，如果省略数字，整型和无符号整型默认是32位，浮点型默认是64位，复数型默认是128位。

数组的属性

属性	说明
ndarray.dtype	数组的数据类型
ndarray.shape	数组的结构，也可以理解为数组的形状
ndarray.size	数组的元素格式
ndarray.itemsize	每个元素占用内存的大小，以字节为单位
ndarray.ndim	数组的维度数，也叫秩
ndarray.flags	数组的内存信息
ndarray.real	数组实部
ndarray.imag	数组虚部
ndarray.data	数组在内存中实际存储区域的起始地址

数组的方法

在python基础语法中，我们介绍列表对象有追加，插入等多种方法，相比之下，数组的操作方法更多，目前我们只需要记住两个方法就行：ndarray.astype()和ndarray.reshape().前者可以修改元素类型，后者可以重新定义数组的结构，这两个方法的重要性和其对应的属性一样，记住ndarray.dtype和ndarray.shape这两个属性及其对应的修改数据类型和数组结构两个方法，有助于在调试代码是快速定位问题。

>>> a = np.arange(6)
>>> a
array([0, 1, 2, 3, 4, 5])
>>> a.shape
(6,)
>>> a.dtype
dtype('int32')
>>> a = a.reshape((2,3)) #改变数组结构
>>> a
array([[0,1,2],
       [3,4,5]])
>>> a = a.astype(np.float)  #改变数据类型
>>> a.dtype
dtype('float64')

广播和矢量化

Numpy数据具有极高的，接近C语言的运行效率，处理速度远比python列表快得多，Numpy拥有区别于列表的两大“独门绝技”：广播和矢量化。广播可以理解为隐式地对每个元素实施操作；矢量化可以理解为代码中没有显示的循环，索引等。可能有点抽象，下面举例来说明一下

例一 数值型数组的各个元素加1

使用python列表实现如下：

>>> a = [0, 1, 2, 3, 4]
>>> for i in range(len(a)):
        a[i] += 1
>>> a
[1, 2, 3, 4, 5]

使用Numpy数组实现如下：

>>> a = np.array([0, 1, 2, 3, 4])
>>> a += 1
>>> a
array([1, 2, 3, 4, 5])

例二 两个等长的数值型数组的对应元素相加

使用python中zip()函数实现如下：

>>> a = [0, 1, 2, 3, 4]
>>> b = [5, 6, 7, 8, 9]
>>> [i+j for i, j in zip(a,b)]
[5, 7, 9, 11, 13]

使用numpy数组进行操作如下：

>>> a = np.array([0, 1, 2, 3, 4])
>>> b = np.array([5, 6, 7, 8, 9])
>>> a + b
array([5, 7, 9, 11, 13])

上面的两个例子分别用列表和数组的方式给出了答案。显然用Numpy数组实现起来要比用python列表更直观，更简洁。这真是得益于Numpy的两大特性：广播和矢量化。

参考书籍<<Python高手修炼之道数据处理与机器学习实战>>

生活不可能像你想象得那么好,但也不会像你想象得那么糟。我觉得人的脆弱和坚强都超乎自己的想象。有时,我可能脆弱得一句话就泪流满面;有时,也发现自己咬着牙走了很长的路。 -----莫泊桑