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。

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合 C/C++/Fortran 代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

一、Numpy安装

使用pip工具安装

python -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose

--user 选项可以设置只安装在当前的用户下，而不是写入到系统目录。

Linux 下安装
Ubuntu & Debian

sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose

CentOS/Fedora

sudo dnf install numpy scipy python-matplotlib ipython python-pandas sympy python-nose atlas-devel

Mac 系统

Mac 系统的 Homebrew 不包含 NumPy 或其他一些科学计算包，所以可以使用以下方式来安装：

python -m pip install numpy scipy matplotlib

验证是否成功：

➜  ~ python3
Python 3.6.5 (default, May 28 2018, 22:41:59)
[GCC 4.2.1 Compatible Apple LLVM 9.1.0 (clang-902.0.39.1)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> from numpy import *
>>> eye(4)
array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

1、Numpy数据类型

NumPy支持比Python更多种类的数值类型。下表列出了NumPy中定义的不同数据类型。

小技巧：int8，int16，int32，int64 可替换为等价的字符串 'i1'，'i2'，'i4'，其他类型也有类似的缩写。

np.astype显式地转换数据类型
Numpy还有一些预先定义的特殊值：

比如：np.nan、np.pi、np.e

np.nan： 缺失值，或者理解为'不是一个数'
np.pi:圆周率 3.1415926...
np.e:自然数e 2.718281828459045...

一、Numpy 数组

1、数组创建

1).使用array方法。使用Python列表或者原则作为参数如：

a1 = np.array([2,3,4])
a2 = np.array((1,23,3))

数组的类型将根据序列中元素的类型推导出来。同时array自动将二维或三维序列转换为对应的二维或者三维数组。
Numpy数组被创建时也可以制定数据的类型如：

c = np.array([2,3,4], dtype=complex)

我们也可以创建一个都是0的数组或者都是1的数组例如：
使用zero创建一个都是0的数组：

b1 = np.zeros((3,4))
b = np.zeros((5,), dtype=np.float)

创建一个全部为1的数组

np.ones((2,3,4), dtype=np.int16) # 制定类型

创建一个为空的数组：

np.empty((2,3))

可能返回未初始化的垃圾数值，不安全

创建一个全有8组成的数组：

np.full((3,4), 8)

2). 返回array序列函数

使用arange返回array序列函数：np.arange(start, stop, step, dtype)
使用linspace函数：np.linspace(start, stop, num. endpoint, retstep, dtyp)
备注：arange浮点会有精度问题，可以使用linspace。
更多类似的函数有：array, zeros, zeros_like, ones, ones_like, empty, empty_like, arange, linspace, numpy.random.rand, numpy.random.randn, fromfunction, fromfile。

2、数组运算

对数组进行算术运算，就会对整个数组的所有元祖进行逐一运算，并将运算结果保存在一个新数组内，不破坏原始数组。

>>> a = np.array([20,30,40,50])
>>> b = np.arange(4)
>>> b
array([0, 1, 2, 3])
>>> c = a+b
>>> c
array([20, 31, 42, 53])
>>> b**2
array([0, 1, 4, 9])
>>> np.sin(a)
array([ 0.91294525, -0.98803162,  0.74511316, -0.26237485])

计算矩阵乘法：使用@或者dot(),如

>>> A = np.array([[1,1], [0,1]])
>>> B = np.array([[2,0], [3,4]])
>>> A @ B
array([[5, 4],
       [3, 4]])
>>> A.dot(B)
array([[5, 4],
       [3, 4]])

对于+=和 *=这一类操作符，会修改原始的数组，而不是新建一个。

3、通用函数

下面是部分二元通用函数：

4、索引切片迭代

Numpy的切片操作，默认是修改原数组的，而不是原生Python那样，以复制为主。

>>> a = np.arange(10)**3
>>> a
array([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2]
array([ 0,  8, 64])
>>> a[:6:2]=-1000
>>> a
array([-1000,     1, -1000,    27, -1000,   125,   216,   343,   512,
         729])
>>> a[::-1]
array([  729,   512,   343,   216,   125, -1000,    27, -1000,     1,
       -1000])

5、添加删除去重

下面是几个常见的数组操作：

• append:将值添加到数组末尾
• insert: 沿指定轴将值插入到指定下标之前
• delete: 返回删掉某个轴的子数组的新数组
• unique: 寻找数组内的唯一元素

6、形状变换

可以通过数组的shape属性，查看它的形状，reshape方法不会修改数组本身，resize则正好相反：

7、堆积数组

可以在不同的轴上堆积数组：

>>> a = np.floor(10*np.random.random((2,2)))
>>> a
array([[7., 4.],
       [8., 8.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[3., 0.],
       [0., 1.]])
>>> np.vstack((a,b))
array([[7., 4.],
       [8., 8.],
       [3., 0.],
       [0., 1.]])
>>> np.hstack((a,b))
array([[7., 4., 3., 0.],
       [8., 8., 0., 1.]])
>>> np.column_stack((a,b))
array([[7., 4., 3., 0.],
       [8., 8., 0., 1.]])

8、分割数组

使用hsplit，可以沿着数组的水平轴拆分数组，方法是指定要返回的相等形状数组的数目，或者指定在其后面进行拆分的列：

>>> a = np.floor(10*np.random.random((2,12)))
>>> a
array([[3., 3., 9., 3., 3., 1., 6., 5., 2., 2., 3., 5.],
       [8., 1., 4., 0., 0., 1., 5., 9., 9., 0., 8., 9.]])
>>> np.hsplit(a,3)
[array([[3., 3., 9., 3.],
       [8., 1., 4., 0.]]), array([[3., 1., 6., 5.],
       [0., 1., 5., 9.]]), array([[2., 2., 3., 5.],
       [9., 0., 8., 9.]])]
>>> np.hsplit(a, (3,4))
[array([[3., 3., 9.],
       [8., 1., 4.]]), array([[3.],
       [0.]]), array([[3., 1., 6., 5., 2., 2., 3., 5.],
       [0., 1., 5., 9., 9., 0., 8., 9.]])]
>>> np.array_split(a,3)
[array([[3., 3., 9., 3., 3., 1., 6., 5., 2., 2., 3., 5.]]), array([[8., 1., 4., 0., 0., 1., 5., 9., 9., 0., 8., 9.]]), array([], shape=(0, 12), dtype=float64)]
>>> np.array_split(a,3, axis=0)
[array([[3., 3., 9., 3., 3., 1., 6., 5., 2., 2., 3., 5.]]), array([[8., 1., 4., 0., 0., 1., 5., 9., 9., 0., 8., 9.]]), array([], shape=(0, 12), dtype=float64)]
>>> np.array_split(a,3, axis=1)
[array([[3., 3., 9., 3.],
       [8., 1., 4., 0.]]), array([[3., 1., 6., 5.],
       [0., 1., 5., 9.]]), array([[2., 2., 3., 5.],
       [9., 0., 8., 9.]])]

9、视图和复制

在操作或变换数组的时候，有时候会修改数组本身，有时候又不会，具体分为下面三种情况：

• 完全不复制
• view视图(view)
• 深度拷贝(copy)

10、统计方法

11、随机数

numpy 带一个random模块，下表是部分函数：