重点预告：下面要讲，NumPy 的入门和数组的常用方式
1、NumPy 很强的
虽然 Python 中的 List 可以当作数组来用，但 List 中的元素能设置成任意类型的，就像大乱炖一样，维护起来的成本很高。List 为了能区分它们，会额外保存 List 中每个对象的指针，哪怕一个简单的 [1, 2, 3] 都要对应开辟三个指针来指向三个整数对象。如果进行数值运算的话，采用 List 这种结构，效率明显是低效的。还有 Python 中的 array 模块，它也没很丰富的运算函数供调用，而且它仅仅能处理一维数组，不支持多维数组。
所以，Python 数值运算这块儿还是有瓶颈的，但好在 NumPy 的出现完美弥补上了这一不足，NumPy 支持多维度数组和矩阵运算，还额外提供了大量的专业数学函数库，更强的是，NumPy 对很多主流三方库，比如 Pandas、SciPy 提供了底层实现。
2、使用 NumPy
如果你已经安装并使用 Anaconda，恭喜你，NumPy 已经被默认安装好了。在你使用的时候，直接导入 NumPy 模块就好了，非常的方便，导入方式如下：
# 导入 numpy 模块，取个别名 np import numpy as np
3、NumPy 数组
终于迎来了第一个悍将 —— ndarray 对象，它就是 NumPy 支持多维数组的对象，它要求所包含的元素的类型必须是一致的。
先来看第一个常用方法：array()，用于生成 NumPy 数组，你可以给它传任意数据类型。
如果创建 NumPy 数组的数据类型不一致，则它会向上转型来保持数据源类型的统一性。比如说，既有 int 类型，又有 float 类型，由于 float 的精度更高，所以 NumPy 会把所有数据都自动转成 float 类型，也就是「乖乖地跟着大哥走」。
# 列表中，有 int 和 float 两种不同类型的数据 myData = [1, 2.22, 3, 4, 5.0] # 将其转成 NumPy myData = np.array(myData) # 输出数组 myData
输出如下：
array([1. , 2.22, 3. , 4. , 5. ])
如果你要看数组元素的类型，直接通过 dtype 属性就可以查看了，比如 myData 的数据类型是 float64。
# 通过 dtype 属性，查看数据类型 myData.dtype
输出如下：
dtype('float64')
如果我想转成指定类型的数据呢？直接通过 astype() 方法就可以实现，比如，转成 int32 ：
# 强制转成 int32 类型 myData.astype(np.int32)
输出如下：
array([1, 2, 3, 4, 5], dtype=int32)
多维数组的创建方式，也一样，不过，是需要把一个数组嵌套到另一个数组中，你看：
# 创建多维数组 myData2 = [[1,2,3,4,5], [6,7,8,9,10]] myData2 = np.array(myData2) myData2
上面创建了一个数组，里面包含了两个小数组，小数组都有五个数组元素，输出如下：
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
如果你要更细致地创建数组，可以使用 arange() 函数，它跟 Python 内置的 range() 函数类似，但 range() 只能用来循环迭代，返回的是一个可迭代对象，而 arange() 函数返回的数组，还可以当作向量，能做更多运算。
# 对比，返回的类型不一样 print(type(np.arange(10))) print(type(range(10)))
输出如下：
<class 'numpy.ndarray'>
<class 'range'>
arange() 函数还能指定起始值（start，默认为 0）、终止值（stop，取值区间是左闭右开，取左不取右的值）、步长（step，默认为 1）、返回 ndarray 的数据类型等参数（dtype，不强制指定，则默认为原数据类型）。
# 创建一个包含 100 个元素的数组 myData3 = np.arange(100) print(myData3)
输出如下：
[ 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 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71
72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95
96 97 98 99]
arange() 函数返回的数组，可运算，让他们各自都加上 2 ：
# 让每个元素都加上 2 print(myData3 + 2)
输出如下：
[ 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55
56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73
74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91
92 93 94 95 96 97 98 99 100 101]
还可以在创建数组的时候，指定步长，相当于等差数列，每个元素之间相差指定的数值（可以是任意实数）：
# 指定步长为 10 myData4 = np.arange(0, 20, 3) myData4
输出如下：
array([ 0, 3, 6, 9, 12, 15, 18])
再来个更好用的，如果我想自动生成（其实就是不想自己算）一个指定范围和指定等差的数组，可以用 linspace() 函数实现。
# 生成一个指定范围和指定等差的数组 myData5 = np.linspace(0,100,30) myData5
也就是，在 0～100 的范围内，自动生成 30 个等差数据并返回数组，根本不需要自己去人肉手动计算，非常方便，输出如下：
array([ 0. , 3.44827586, 6.89655172, 10.34482759,
13.79310345, 17.24137931, 20.68965517, 24.13793103,
27.5862069 , 31.03448276, 34.48275862, 37.93103448,
41.37931034, 44.82758621, 48.27586207, 51.72413793,
55.17241379, 58.62068966, 62.06896552, 65.51724138,
68.96551724, 72.4137931 , 75.86206897, 79.31034483,
82.75862069, 86.20689655, 89.65517241, 93.10344828,
96.55172414, 100. ])
今日分享结束，欢迎大家点赞、在看、评论、赞赏一条龙，让我感受你对我浓浓的爱，感谢你的支持。
最后
我是帅帅，一个默默做了 7 年的 Java 编程、架构师成长教练。
很喜欢罗曼·罗兰的一句话：“人最可贵之处在于看透生活的本质后，依然热爱生活 ”。
愿我们一起，努力追寻本质，依然保持热爱。
如果想交个朋友，帅帅等你来聊
