1. 简介

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。最主要的数据结构是ndarray数组。

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab。
SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。

2. 使用

• 导入

import numpy as np
1

• 创建一维数组，使用 np.array()

# 方式有两种：直接将“元素”以list形式添加进去；先制作一个list，然后将其添加进去

my_array = np.array([1, 2, 3, 4, 5, 6])

my_list = [1, 2, 3, 4, 5, 6]
my_array = np.array(my_list)
1
2
3
4
5
6

创建的方式如上，但是numpy中提供了一些创建一些常量值数组的方法，如下：

# 创建以0为常量值初始化的数组
np.zeros(5,dytpe=float)		# 结果为浮点类型的值为0的数组，一共5个元素（还可以是int类型）

# 创建以1为常量值初始化的数组
np.ones(3)		# 结果为值为1的数组，一共3个元素

# 创建一个空数组，然后使用.fill()方法赋值
a=np.empty(4)		# 4个元素的空数组
a.fill(5.5)			# 赋值5.5

# 创建一个元素递增的数组，给定区间，自定义步长
a=np.arange(8)			# 结果为 [0,1,2,3,4,5,6,7]
b=np.arange(0,1,0.2)		# 结果为在[0，1)之间，步长为0.2的递增数组[0 0.2 0.4 0.6 0.8]
** 对比python的range()函数

# 创建一个元素递增的数组，给定区间，自定义个数
a=np.linspace(-1,1,50)		# 结果为在在[0，1)之间，等分的50个数值
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

除此之外，使用numpy中的random模块还可以创建随机数字的数组：

# 生成随意的5个随机自然数，返回在一个数组中
a=np.random.randn(5)							

# 制作一个随机数种子，然后生成10个随机正数，返回在一个数组中
rng= np.random.RandonState(1)
rng.rand(10)

# 创建一个有分布规律的随机数组（还有其他分布规律）
np.random.binomial(10, 0.30, size=10000)
np.random.normal(10,2,50)		# 结果为均值为10，标准差为2的正态分布随机数50个，返回一维数组

** 如果传入两个参数给.rand()/.randn()/.normal()则生成随机二维的数组，详见《numpy对二维数组操作》
1
2
3
4
5
6
7
8
9
10
11
12

如果想使用数组去画图，或者训练数据模型的时候，可能需要考虑“降维”

# np.ravel()函数在降维时默认是行序优先,
a=np.array([[1,2],[3,4]])
a.ravel()				# 结果 array([1, 2, 3, 4])
a.ravel('F')			# 结果 array([1, 3, 2, 4])

# reshape函数当参数只有一个-1时表示将数组降为一维
a.reshape(-1)			# 结果 array([1, 2, 3, 4])
1
2
3
4
5
6
7

• 取值

1. 想获取一维数组中的某个元素，操作和list列表的index一样

a = np.array([5, 2, 7, 0, 11])
a[0]			# 结果为 5
a[:4]			# 结果为 从头开始到索引为4结束
a[2:]			# 结果为 从索引为2的开始到结尾
a[::2]			# 结果为 从头开始到结尾，每2个取一个值
1
2
3
4
5

！！需要注意的是！！
我们可以看出来列表与数组有相同的元素索引机制，但是为什么还要区分两者数据类型呢？主要区别在于：列表中的元素的数据类型可以不一致，任意类型的元素；但是数组的所有元素必须是相同的数据类型。

个人认为还有一个却别在于，数组通过“可视化”可以直接转化成一个表格展示，即使是一维数组；但是列表则无论几维可能无法直接转换成表格的形式阅读

[更新补充]：在学习决策树时，使用numpy时，几乎“全部”都是直接使用“二维数组”（原因是接口不接受一维数据，如果遇到一维数组则需要使用.reshape()将数据升维）；那么如果使用list存储数据，虽然也可以使用所以机制，与一维数组并无差异，但是list是无法“升维”的

2. 对数组中元素逻辑操作（> < & |）

# 直接使用数组进行逻辑判断，结果返回：一个数组，其中每个元素根据逻辑判断的布尔类型的结果
a > 3	
-----------------------------
# 结果如下，虽然看上去和列表长相一样，但是强调一下，一维数组中array只是没有显示出来！！
[False, False, False,True, True]
1
2
3
4
5

说明：
a. 和列表的区别还包括：列表是无法作为一个整体对其中的各个元素进行逻辑判断的！列表能做的只有切片或者叫过滤，这里不做解释，详见python3基础——列表的基础操作
b. 对数据的逻辑判断的用途：使用在数据分析中，挑选数据（可能学习到二维数组时，会有更好的理解）

• 过滤／切片

过滤的方法很多，这里只简单介绍使用逻辑符号的方式。

# 需要注意的是，我们对数组切片或者过滤的操作希望得到的仍然是一个数组
# 所以我们要将"逻辑判断作为参数"传入数组中时，返回的则是一个过滤后的数组

a[a > 3]						# 结果 [4,5] 且一维数组中array没有显示出来
a[(a > 3) | (a < 2)]			# 结果 [1,4,5] 且一维数组中array没有显示出来
1
2
3
4
5

• 对一维数组中每个元素同时操作

# 对数组中元素➕操作
a_plus_3 = a + 3

# 对数组中元素 乘方** 操作
a ** 2 							# 结果为 [ 1,  4,  9, 16, 25, 36]
1
2
3
4
5

未完
下一篇《Python3基础包——Numpy对二维数组的操作》