Numpy
Numpy全称Numerical Python。它提供了2种基本的对象：ndarray与ufunc。
ndarray是存储单一数据的多维数组，它相对于list列表可以快速的节省空间，提供数组化的算数运算和高级的广播功能。
ufunc是能够对数组进行处理的函数，这些标准的数学函数对整个数组的数据进行快速运算，且不需要编写循环。
Numpy其他优点：
1.它是读取/写入磁盘上的阵列数据和操作存储器映像文件的工具
2.它具有线性代数、随机数生成以及傅里叶变换的能力
3.它集成了C、C++、Fortran代码的工具
虽然Numpy库具有很多的优点，但是其默认不在标准库中，如果你直接安装anaconda，它会自带Numpy库。
但是，如果你是直接安装的Python工具，那么需要通过如下命令安装之后才能使用，具体命令如下所示：
pip install numpy
下面，我们详细介绍Numpy库的使用方式。
生成Numpy数组
从已有数据中创建数组
一般来说，对于一些基础的数据，我们在Python中都是直接使用list。
而如果这个时候，需要进行大量的运算，我们不妨将list列表转换为numpy数组进行计算。转换的方式如下所示（我们使用numpy时一般将其重命名np使用）：
import numpy as np list1 = [1, 2, 3, 4, 5, 6, 7, 8, 9] nd = np.array(list1) print("数据:", nd) print("类型:", type(nd))
运行之后，效果如下：
通过random生成数组
在深度学习中，我们经常会通过随机数创建一些数组进行测试，比如创建符合正态分布的随机数，又或者打乱数据等等。
而这些都可以通过numpy.random模块进行操作。下面，博主列出了一个常用随机函数表格：
| 函数 | 意义 |
| numpy.random.random | 生成0到1之间的随机数 |
| numpy.random.uniform | 生成均匀分布的随机数 |
| numpy.random.randn | 生成标准正态分布的随机数 |
| numpy.random.randint | 生成随机整数 |
| numpy.random.normal | 生成正态分布 |
| numpy.random.shuffle | 随机打乱顺序 |
| numpy.random.seed 设置随机数种子 | |
| numpy.random.random_sample | 生成随机的浮点数 |
下面，我们举一个简单的使用例子：
import numpy as np #生成3行3列0到1的随机数 nd1 = np.random.random([3, 3]) print(nd1) #生成3行3列0到1的浮点数 nd2 = np.random.random_sample([3, 3]) print(nd2) #打乱nd2的数据 np.random.shuffle(nd2) print(nd2)
运行之后，效果如下：
创建多维数组
在上面随机数的数组创建中，我们看到了其实numpy可以创建多维数组，而如果不使用随机数的话，我们还可以通过下面表格的函数创建numpy数组。
| 函数 | 意义 |
| np.zeros((3,4)) | 创建3行4列全部为0的数组 |
| np.ones((3,4)) | 创建3行4列全部为1的数组 |
| np.empty((2,4)) | 创建2行4列的空数组，空数组中的值并不为0，而是为初始化的垃圾值 |
| np.zeros_like(nd) | 以nd相同的维度创建一个全为0的数组 |
| np.ones_like(nd) | 以nd相同的维度创建一个全为1的数组 |
| np.empty_like(nd) | 以nd相同的维度创建空数组 |
| np.eye(5) | 创建一个5*5的矩阵，对角线为1，其余为0 |
| np.full((2,2),111) | 创建一个2行2列全是111的数组，第2个参数为指定值 |
下面，我们随机举些列子：
import numpy as np #创建2*3的空数组 nd1 = np.empty((2, 3)) print("垃圾值：", nd1) #创建5*5，值全为111的数组 nd2 = np.full((5, 5), 111) print(nd2) #创建5*5值全为0的数组 nd3 = np.zeros((5, 5)) print(nd3)
运行之后，效果如下：
arange与linspace生成数组
首先，我们来看看arange函数的定义：
arange([start,]stop[,step,],dtype=None)
其中，start与stop用来指定范围，step指定步长。比如说我们生成一个倒叙的数组[9,8,7,6,5]，可以发现它们的步长就是-1。示例如下：
nd = np.arange(9, 4, -1) print(nd)
这里就不运行了，输入就是[9,8,7,6,5]。
接着，我们再来看看linspace函数的定义：
linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)
linspace函数可以根据输入的指定数据范围以及等份数量，自动生成一个线性的等分向量。
简单的理解就是，我们设置一个区间（start，stop），然后再次设定生成num个数据。
那么通过(stop-start+1)/num，就算出了这些数据的步长，而每个数据依次加减这个步长就是2边的数据。
而不需要像arange取指定步长，linspace函数会自己计算出来。示例如下：
nd = np.linspace(9, 4, 6) print(nd)
这里代表就是9到4输出6个数据，且每个数间隔一样，那么肯定会输出[9,8,7,6,5,4]。
元素的截取
既然创建了Numpy数组，那么我们就需要获取数组中的元素进行操作。那么如果获取Numpy数组中指定的元素呢？这里，博主列出了一个表格：
nd为一维数组时：输出[0 1 2 3 4 5 6 7 8 9]（索引0开始） nd为二维数组时：（索引0开始） [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19] [20 21 22 23 24]]
| 公式 | 意义 |
nd[3] |
获取数组的第4个元素，如果为多维数组，获取第4行（[3]） |
| nd[3:5] | 获取数组的第4个元素到第5个元素（[3,4]，不包括右边元素5） |
| nd[1:5:2] | 获取数组索引1到索引5步长间隔为2的元素（[1,3]），不包括右边元素5 |
| nd[::-2] | 获取倒叙，间隔2的元素（[9 7 5 3 1]） |
| nd[1:3, 1:3] | 获取1，2行，1，2列的数据（[[ 6 7][11 12]]），不包括3行，3列 |
| nd[(nd > 3) & (nd < 10)] | 获取大于3小于10的数据（[4 5 6 7 8 9]） |
| nd[[1,2]] | 获取1，2行的所有列数据（[[ 5 6 7 8 9][10 11 12 13 14]]） |
| nd[:,1:3] | 获取所有行的1到3列（[[ 1 2][ 6 7][11 12][16 17][21 22]]），不包括3列 |
