网站建设期任务及总结凡科免费网站建设
前面内容：pandas(01 入门)
目录
一、numpy 简介
1.1 Numpy 应用场景
1.2 Numpy 优点
1.3 Numpy 缺点
1.4 相关链接
二、Numpy环境安装配置
2.1 Python自带包
2.2 Numpy 安装
三、NumPy.Ndarray
3.1 ndarray特点：
3.2 ndarray()参数：
3.3 具体实例
一、numpy 简介
numpy是Python语言的一个扩充程序库。支持高级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内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!
1.1 Numpy 应用场景
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，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。
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
1.2 Numpy 优点
- 同样的数值计算，使用Numpy要比编写python代码便捷很多。
- Numpy中数组的存储效率和输入输出性能远远优于python，提升的性能和数组元素个数成正比。
- Numpy的大部分代码是C语言，底层算法在设计时有着优异的性能，使得Numpy比纯python更加高效。
1.3 Numpy 缺点
- Numpy使用内存映射文件，能够达到更优的数据读写性能，内存的大小限制了对其TB级别大文件的处理。
- Numpy数组的通用性不及python提供的list容器，科学计算之外的领域，优势并不明显。
1.4 相关链接
NumPy 源代码：GitHub - numpy/numpy: The fundamental package for scientific computing with Python.
SciPy 官网：SciPy -
SciPy 源代码：GitHub - scipy/scipy: SciPy library main repository
Matplotlib 官网：Matplotlib — Visualization with Python
Matplotlib 源代码：GitHub - matplotlib/matplotlib: matplotlib: plotting with Python
二、Numpy环境安装配置
Numpy环境安装配置，标准的Python并没有包含Numpy，可以使用python安装程序pip来安装Numpy。
pip install numpy使用 NumPy 的最佳方法是使用符合操作系统的可安装的二进制包，它包含完整的 SciPy 技术栈(包括 NumPy，SciPy，matplotlib，IPython，SymPy 以及 Python 核心自带的其它包)。
2.1 Python自带包
对于许多用户，尤其是在 Windows 上，最简单的方法是下载以下的 Python 发行版，它们包含了所有的关键包（包括 NumPy，SciPy，matplotlib，IPython，SymPy 以及 Python 核心自带的其它包）：
- Anaconda: 免费 Python 发行版，用于进行大规模数据处理、预测分析，和科学计算，致力于简化包的管理和部署。支持 Linux, Windows 和 Mac 系统。
- Enthought Canopy: 提供了免费和商业发行版。持 Linux, Windows 和 Mac 系统。
- Python(x,y): 免费的 Python 发行版，包含了完整的 Python 语言开发包 及 Spyder IDE。支持 Windows，仅限 Python 2 版本。
- WinPython: 另一个免费的 Python 发行版，包含科学计算包与 Spyder IDE。支持 Windows。
- Pyzo: 基于 Anaconda 的免费发行版本及 IEP 的交互开发环境，超轻量级。 支持 Linux, Windows 和 Mac 系统。
2.2 Numpy 安装
- Linux 系统(Ubuntu 和 Debian)：
sudo apt-get install python-numpy- Linux 系统(Fedora):
sudo yum install numpy scipy- Anaconda 发行版的Windows系统：
conda install numpy- Numpy 安装到系统后，在Python中输入以下代码导入Numpy:
import numpy as np三、NumPy.Ndarray
NumPy.Ndarray 对象，最重要的一个特点是其 N 维数组对象 ndarray，该对象是一个快速而灵活的大数据集容器，描述相同数据类型的元素集合，以 0 下标为开始进行集合中元素的索引。
提示：N表示n，d表示维度，array是矩阵
3.1 ndarray特点：
ndarray 对象是用于存放同类型元素的多维数组。
ndarray 中的每个元素在内存中都有相同存储大小的区域。
ndarray 内部由以下内容组成：
- 一个指向数据（内存或内存映射文件中的一块数据）的指针。
- 数据类型或 dtype，描述在数组中的固定大小值的格子。
- 一个表示数组形状（shape）的元组，表示各维度大小的元组。
- 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要”跨过”的字节数。
3.2 ndarray()参数：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：
| 名称 | 描述 |
|---|---|
| object | 数组或嵌套的数列 |
| dtype | 数组元素的数据类型，可选 |
| copy | 对象是否需要复制，可选 |
| order | 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认） |
| subok | 默认返回一个与基类类型一致的数组 |
| ndmin | 指定生成数组的最小维度 |
ndarray 对象由计算机内存的连续一维部分组成，并结合索引模式，将每个元素映射到内存块中的一个位置。内存块以行顺序(C样式)或列顺序(FORTRAN或MatLab风格，即前述的F样式)来保存元素。
3.3 具体实例
例1：一维数据
import numpy as np
a = np.array([1,2,3])
print (a)运行结果：
例2： 二维数据
import numpy as np
a = np.array([[1, 2], [3, 4]])
print(a)运行结果：
例3：最小维度
import numpy as np
a = np.array([1,2,3,4,5], ndmin=2)
print (a)运行结果：
例 4:指定数据类型
import numpy as np
a = np.array([1, 2, 3], dtype = complex)
print(a)运行结果：
