前言

之前连载了pandas，pandas作为python做数据分析的一大利器，相信大家都不陌生。

当然连载部分作为入门是够了，具体提升还要大家多看看官方文档详细内容和做具体项目案例

之后我也会出一些pandas的数据分析实战案例分享给大家。

在询问了大家的意见和建议（怎么说的这么官方，不是我的风格啊）之后

我决定解读一下numpy的官方文档（入门部分）

让大家能够快速上手numpy

首先，我们看看官方是怎么介绍numpy的：

”’

NumPy是使用Python进行科学计算的基础软件包。 它包含以下内容：

(1)一个强大的N维数组对象

(2)复杂（广播）功能

(3)用于集成C / C 和Fortran代码的工具

(4)非常有用的线性代数，傅里叶变换和随机数操作

(5)除了其明显的科学用途，NumPy也可以用作通用数据的高效多维容器。 可以定义任意数据类型。 这使NumPy能够无缝地，快速地与各种数据库集成。

”’

可能大家对’广播’一词不太了解，广播的意思可以这样理解，当我有两个维度不一样的array（数组）运算时，我可以用低维的数组复制成高维数组参与运算（因为运算要符合一定结构）

numpy官方网站：http://www.numpy.org/

开始numpy之旅

如果你是一个python初学者，我不建议你直接去python官网下载python3.X或是python2.7版本

我推荐你直接去anaconda官网下载对应版本的anaconda（建议下载最新的3.X版本）

下载地址：

https://www.continuum.io/downloads

如果你是windows用户，直接进入官网下载下图的即可

为什么推荐anaconda呢？

因为anaconda是python的集成环境，自带了很多python的库（或者认为是包）

举个栗子:

如果Python是一个光杆司令的话，anaconda则是一个司令带着一堆军队

so，你应该知道为什么我推荐你装anaconda了吧

如果你已经装了原生python并且用了挺久，也pip install 了很多库，类似numpy，scipy，pandas

那么你一定遇到很多报错，恭喜你，你已经才过了很多坑啦~就像我一样

有趣的是：

python是巨蟒的意思

anaconda是水蟒的意思

如果你在pip install numpy中由于网速慢安装报错，你可以来这里下载然后本地安装numpy

https://pypi.python.org/pypi/numpy#downloads

numpy快速入门官方文档：https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

环境

python3.X

一颗栗子

import numpy as np


如果没报错，恭喜你，numpy安装完成

这里是把numpy命名为np

可以说是行业潜规则，当然是为了之后写代码简写方便

a = np.arange(15).reshape(3, 5)
a


注：这里的array（数组）是numpy中特有的类型，首先，使用np.arange(15)产生了一个一维数组，从0-14（注意范围）

arange不是arrange，arange是numpy的方法，所以写为np.arange()

然后，使用reshape()方法将这个产生的数组重新造型为3行5列的二维数组，也就有了上图的样子。

a.shape


注：查看数组格式，显示三行五列

a.ndim


注：显示数组的维数

如果你想知道这个方法的含义，可以在jupyter notebook （装完anaconda自带的ide编辑器）里输入：

?np.dim

还有举例子帮你理解呢~

a.dtype.name


注：a数组中的数值类型

a.itemsize


注：每个数组元素的字节大小

a.size


注：a数组中的元素个数

type(a)


注：a的类型

b = np.array()
b


注：当然，你可以直接通过直接赋值创建一个数组

type(b)


创建数组

使用array方法直接通过list（列表）创建数组

import numpy as np
a = np.array()
a


a.dtype


b = np.array()b.dtype

注：可以创建整形和浮点型元素的数组

常见错误：没有经过list直接用数列创建数组

b = np.array()
b


注：创建二维数组

当然，创建数组的时候，也可以指明类型：

c = np.array( , ], dtype=complex )
c


注：这里指定的是复数类型

np.zeros( (3,4) )

注：创建全零数组，默认为float64形式

np.ones( (2,3,4), dtype=np.int16 )


注：创建一个三维全1的数组，并且创建时指定类型

你可以认为是一个长方体里有序的充满了1

观察括号，有层次的

np.empty( (2,3) )


注：创建一个二维的空数组，电脑不同导致显示不同

使用arange创建array

np.arange( 10, 30, 5 )

注：产生一个起始值为10，终止值为30（注意，终止值取不到），步长为5的数组

有点像c语言中的for循环格式

np.arange( 0, 2, 0.3 )


注：这里想说它接受float的值，不仅仅是int类型的值

当使用浮点参数时，由于有限的浮点精度，通常不可能预测获得的元素的数量。

因此，通常最好使用函数linspace来接收我们想要的元素的数量作为参数，而不是使用步长参数：

from numpy import pinp.linspace( 0, 2, 9 )


注：产生0到2之间等间距（步长）的9个元素的数组,linspace和matlab中的用法一样

x = np.linspace( 0, 2*pi, 100 )
f = np.sin(x)
f

注：在之前import了pi（π），现在相当于在0~2pi之间产生100个均匀的数字作为x

然后通过sin（x）算出对应的y，部分结果如下：

更详细的操作可以在这里看：https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

就是下图这里，链接太多，就不一个个弄出来了

显示数组

a = np.arange(6)
print(a)

注：打印一维数组

b = np.arange(12).reshape(4,3)
print(b)


注：打印二维数组

c = np.arange(24).reshape(2,3,4)
print(c)


注：打印三维数组

更多reshape方法可以看这里：https://docs.scipy.org/doc/numpy-dev/user/quickstart.html#quickstart-shape-manipulation

如果数组太大而无法全部打印，NumPy会自动跳过中央部分，只能打印出边界部分（首尾）：

print(np.arange(10000))


print(np.arange(10000).reshape(100,100))

要禁用此省略并强制NumPy打印整个数组，您可以使用set_printoptions更改打印选项。

np.set_printoptions(threshold='nan')

基本操作

a = np.array( )
b = np.arange( 4 )
b


c = a-b
c


注：数组相减

b**2

注：b数组中每个元素平方

10*np.sin(a)


注：a数组先进行sin运算，然后结果乘10

a35

注：对a数组中每个元素和35进行比较大小，返回的是一个充满布尔元素的数组

数组的矩阵乘法和对应元素乘积方法：

原理参考线性代数

A = np.array( ,
] )
B = np.array( ,
] )


注：创建两个数组（矩阵）

A*B


注：对应元素相乘

A.dot(B)


注：A左乘B，也可以写成如下形式：

np.dot(A, B)

结果一样的

A左乘B 和 B左乘A是不一样的，详见线性代数课本

某些操作（例如 =和* =）将作用于修改现有数组而不是创建新的数组：

a = np.ones((2,3), dtype=int)
b = np.random.random((2,3))
a *= 3
a

注：创建一个2行3列全是元素1的数组a，然后将a的元素都乘3

小插曲：

（1）

num = 1
num = num 1
num


（2）

num = 1
num = 1
num


初学者可以认为以上两种一样的意思，其实不一样，等你自己慢慢去挖掘。

同理以下也是：

num -= 1
num *= 1
num /= 1


回到正题：

b = a
b


相当于b = b a

注：这里要说的是以上操作是修改现有数组而不是创建新的数组！！！

所以有时候尽量先备份一个

易错点：

这里a是int类型，b是float类型：

运算时，一般是可以默认自动从int到float转换（从简单到复杂）

而你的a = a b相当于将float转为int，所以报错了

未完待续~近期更新~谢谢观赏~希望对你学习有帮助~

关注公众号，“Python爱好者社区”，回复“爬虫”即可获取崔老师爬虫免费学习视频。

Python爱好者社区

为大家提供与Python相关的最新技术和资讯。