NumPy 简介
什么是 NumPy？
NumPy 是用于处理数组的 python 库。
它还拥有在线性代数、傅立叶变换和矩阵领域中工作的函数。
NumPy 由 Travis Oliphant 于 2005 年创建。它是一个开源项目，您可以自由使用它。
NumPy 指的是数值 Python（Numerical Python）。
为何使用 NumPy？
在 Python 中，我们有满足数组功能的列表，但是处理起来很慢。
NumPy 旨在提供一个比传统 Python 列表快 50 倍的数组对象。
NumPy 中的数组对象称为 ndarray，它提供了许多支持函数，使得利用 ndarray 非常容易。
数组在数据科学中非常常用，因为速度和资源非常重要。
数据科学：计算机科学的一个分支，研究如何存储、使用和分析数据以从中获取信息。
为什么 NumPy 比列表快？
与列表不同，NumPy 数组存储在内存中的一个连续位置，因此进程可以非常有效地访问和操纵它们。
这种行为在计算机科学中称为引用的局部性。
这是 NumPy 比列表更快的主要原因。它还经过了优化，可与最新的 CPU 体系结构一同使用。
NumPy 用哪种语言编写？
NumPy 是一个 Python 库，部分用 Python 编写，但是大多数需要快速计算的部分都是用 C 或 C ++ 编写的。
安装 NumPy
如果您已经在系统上安装了 Python 和 PIP，那么安装 NumPy 非常容易。
请使用这条命令安装它：
C:\Users\Your Name>pip install numpy
导入 NumPy
安装 NumPy 后，通过添加 import 关键字将其导入您的应用程序：
import numpy
现在，Numpy 已导入并可以使用。
实例
import numpy arr = numpy.array([1, 2, 3, 4, 5]) print(arr)
NumPy as np
NumPy 通常以 np 别名导入。
别名：在 Python 中，别名是用于引用同一事物的替代名称。
请在导入时使用 as 关键字创建别名：
import numpy as np
现在，可以将 NumPy 包称为 np 而不是 numpy。
实例
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr)
检查 NumPy 版本
版本字符串存储在 __version__ 属性中。
实例
import numpy as np print(np.__version__)
创建 NumPy ndarray 对象
NumPy 用于处理数组。 NumPy 中的数组对象称为 ndarray。
我们可以使用 array() 函数创建一个 NumPy ndarray 对象。
实例
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr) print(type(arr))
type(): 这个内置的 Python 函数告诉我们传递给它的对象的类型。像上面的代码一样，它表明 arr 是 numpy.ndarray 类型。
要创建 ndarray，我们可以将列表、元组或任何类似数组的对象传递给 array() 方法，然后它将被转换为 ndarray：
实例
使用元组创建 NumPy 数组：
import numpy as np arr = np.array((1, 2, 3, 4, 5)) print(arr)
数组中的维
数组中的维是数组深度（嵌套数组）的一个级别。
嵌套数组：指的是将数组作为元素的数组。
0-D 数组
0-D 数组，或标量（Scalars），是数组中的元素。数组中的每个值都是一个 0-D 数组。
实例
用值 61 创建 0-D 数组：
import numpy as np arr = np.array(61) print(arr)
1-D 数组
其元素为 0-D 数组的数组，称为一维或 1-D 数组。
这是最常见和基础的数组。
实例
创建包含值 1、2、3、4、5、6 的 1-D 数组：
import numpy as np arr = np.array([1, 2, 3, 4, 5, 6]) print(arr)
2-D 数组
其元素为 1-D 数组的数组，称为 2-D 数组。
它们通常用于表示矩阵或二阶张量。
NumPy 有一个专门用于矩阵运算的完整子模块 numpy.mat。
实例
创建包含值 1、2、3 和 4、5、6 两个数组的 2-D 数组：
import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr)
检查维数？
NumPy 数组提供了 ndim 属性，该属性返回一个整数，该整数会告诉我们数组有多少维。
实例
检查数组有多少维：
import numpy as np a = np.array(42) b = np.array([1, 2, 3, 4, 5]) c = np.array([[1, 2, 3], [4, 5, 6]]) d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]]) print(a.ndim) print(b.ndim) print(c.ndim) print(d.ndim)
NumPy 数组索引
访问数组元素
数组索引等同于访问数组元素。
您可以通过引用其索引号来访问数组元素。
NumPy 数组中的索引以 0 开头，这意味着第一个元素的索引为 0，第二个元素的索引为 1，以此类推。
实例
从以下数组中获取第一个元素：
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr[0])
实例
从以下数组中获取第二个元素：
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr[1])
实例
从以下数组中获取第三和第四个元素并将其相加：
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr[2] + arr[3])
NumPy 数据类型
Python 中的数据类型
默认情况下，Python 拥有以下数据类型：
strings - 用于表示文本数据，文本用引号引起来。例如 "ABCD"。
integer - 用于表示整数。例如 -1, -2, -3。
float - 用于表示实数。例如 1.2, 42.42。
boolean - 用于表示 True 或 False。
complex - 用于表示复平面中的数字。例如 1.0 + 2.0j，1.5 + 2.5j。
NumPy 中的数据类型
NumPy 有一些额外的数据类型，并通过一个字符引用数据类型，例如 i 代表整数，u 代表无符号整数等。
以下是 NumPy 中所有数据类型的列表以及用于表示它们的字符。
i - 整数
b - 布尔
u - 无符号整数
f - 浮点
c - 复合浮点数
m - timedelta
M - datetime
O - 对象
S - 字符串
U - unicode 字符串
V - 固定的其他类型的内存块 ( void )
检查数组的数据类型
NumPy 数组对象有一个名为 dtype 的属性，该属性返回数组的数据类型：
实例
获取数组对象的数据类型
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr.dtype)
实例
获取包含字符串的数组的数据类型：
import numpy as np arr = np.array(['apple', 'banana', 'cherry']) print(arr.dtype)
用已定义的数据类型创建数组
我们使用 array() 函数来创建数组，该函数可以使用可选参数：dtype，它允许我们定义数组元素的预期数据类型：
实例
用数据类型字符串创建数组：
import numpy as np arr = np.array([1, 2, 3, 4], dtype='S') print(arr) print(arr.dtype)
对于 i、u、f、S 和 U，我们也可以定义大小。
实例
创建数据类型为 4 字节整数的数组：
import numpy as np arr = np.array([1, 2, 3, 4], dtype='i4') print(arr) print(arr.dtype)
转换已有数组的数据类型
更改现有数组的数据类型的最佳方法，是使用 astype() 方法复制该数组。
astype() 函数创建数组的副本，并允许您将数据类型指定为参数。
数据类型可以使用字符串指定，例如 'f' 表示浮点数，'i' 表示整数等。或者您也可以直接使用数据类型，例如 float 表示浮点数，int 表示整数。
实例
通过使用 'i' 作为参数值，将数据类型从浮点数更改为整数：
import numpy as np arr = np.array([1.1, 2.1, 3.1]) newarr = arr.astype('i') print(newarr) print(newarr.dtype)
