Numerical Python(Numpy)是一个开源的Python科学计算库，使用Numpy可以方便的使用数组、矩阵进行计算，包含线性代数、傅里叶变换、随机数生成等大量函数。

  与原生的Python实现相比，使用Numpy是直接以数组、矩阵为粒度计算，并且支持大量的数学函数，而Python需要用for循环从底层实现。并且Numpy的数组存储效率和输入输出计算性能，比Python使用List或者嵌套List好很多。

  Numpy的数据存储和Python原生的List是不一样的，Numpy的大部分代码都是C语言实现的，这也是Numpy代码更高效的原因。Numpy的array和Python的List的一个区别，Numpy的array的元素必须都是同一种数据类型，比如都是数字int类型，这也是Numpy高性能的一个原因。

创建数据

import numpy as np
x = np.array([1,2,3,4,5]) # 创建一个一维数组

import numpy as np
x = np.array([[1,2,3,4,5],
              [2,3,4,5,6]]) # 创建一个二维数组

array本身的属性

• shape：返回一个元组，表示array的维度
• ndim：一个数字，表示array的维度的数目
• size：一个数字，表示array中所有数据元素的数目
• dtype：array中元素的数据类型

import numpy as np
x = np.array([[1,2,3,4,5],
              [2,3,4,5,6]])
print(x.shape) # 输出：(2, 5)

import numpy as np
x = np.array([[1,2,3,4,5],
              [2,3,4,5,6]])
print(x.ndim) # 输出 2

import numpy as np
x = np.array([[1,2,3,4,5],
              [2,3,4,5,6]])
print(x.size) # 输出 10

import numpy as np
x = np.array([[1,2,3,4,5],
              [2,3,4,5,6]])
print(x.dtype) # 输出 int64

创建array的方法

  从Python的列表List和嵌套列表创建array。使用预定函数arange、ones/ones_like、zeros/zeros_like、empty/empty_lik、full/full_like、eye等函数创建

1. 使用arange创建数字序列

  语法：arange(start, stop, step, dtype=None)。

import numpy as np
x = np.arange(2, 10, 2)
print(x) # 输出 [2 4 6 8]

2. 使用ones创建全是1的数组

  语法：np.ones(shape, dtype=None, order='C')；shape : int or tuple of ints Shape of the new array, e.g., (2, 3) or 2。

import numpy as np
x = np.ones([2, 3]) 
# 输出： [[1. 1. 1.]
#        [1. 1. 1.]]

3. 使用ones_like创建形状相同的数组

  语法：ones_like(a, dtype=float, order='C')。

import numpy as np
x = np.arange(2, 10, 2)
y = np.ones_like(x) # 输出：[1 1 1 1]

4. 使用zeros创建全是0的数组

  语法：np.zeros(shape, dtype=None, order='C')。

import numpy as np
x = np.zeros(5) # [0. 0. 0. 0. 0.]

import numpy as np
x = np.zeros([2,3])
# 输出： [[0. 0. 0.]
#        [0. 0. 0.]]

5. 使用zeros_like创建形状相同的数组

  语法：np.zeros_like(a, dtype=None)。

import numpy as np
x = np.arange(2, 10, 2)
y = np.zeros_like(x) # 输出：[0 0 0 0]

6. 使用empty创建全是0的数组

  语法：empty(shape, dtype=float, order='C')；注意：数据是未初始化的，里面的值可能是随机值不要用：

import numpy as np
x = np.empty(2) # 输出：[-5.73021895e-300  6.94067723e-310]

import numpy as np
x = np.empty((1,2)) # 输出 [[-5.73021895e-300  6.90355282e-310]]

7. 使用empty_like创建形状相同的数组

  语法：empty_like(prototype, dtype=None)。

import numpy as np
x = np.empty((1,2))
y = np.empty_like(x) # 输出 [[-5.73021895e-300  6.90023394e-310]]

8. 使用full创建指定值的数组

  语法：np.full(shape, fill_value, dtype=None, order='C')。

import numpy as np
x = np.full(2, 10) # 输出：[10 10]

9. 使用full_like创建形状相同的数组

  语法：np.full_like(a, fill_value, dtype=None)

import numpy as np
x = np.full(2, 10)
y = np.full_like(x, 20) # 输出：[20 20]

生成随机数的np.random模块构建

1. 使用random模块生成随机数的数组：

import numpy as np
x = np.random.randn(2) # 输出：[-0.83420278 -0.74489849]

import numpy as np
x = np.random.randn(2,2,2)

  输出：

[[[ 1.57009273  2.7144515 ]
  [-0.63920122 -0.69983059]]

 [[ 0.54429723 -0.02818363]
  [ 0.36522726  1.71868176]]]

array本身支持的大量操作和函数

1. 直接逐元素的加减乘除等算数操作
2. 更好用的面向多维的数组索引
3. 求sum/mean等聚合函数
4. 线性代数函数，比如求解逆矩阵、求解方程组

import numpy as np
x = np.arange(10).reshape(2,5)

  输出：

[[0 1 2 3 4]
 [5 6 7 8 9]]

  通过广播机制实现数组中每个元素加1：

import numpy as np
x = np.arange(10).reshape(2,5)
print(x+1)

  输出：

[[ 1  2  3  4  5]
 [ 6  7  8  9 10]]

  对数组中每个元素做个运算：

import numpy as np
x = np.arange(10).reshape(2,5)
print(np.sin(x))

  输出：

[[ 0.          0.84147098  0.90929743  0.14112001 -0.7568025 ]
 [-0.95892427 -0.2794155   0.6569866   0.98935825  0.41211849]]

import numpy as np
x = np.arange(10).reshape(2,5)
x1 = np.arange(10).reshape(2,5)
print(x*x1)

  输出：

[[ 0  1  4  9 16]
 [25 36 49 64 81]]

提示：以下是本篇文章正文内容，下面案例可供参考

一.Numpy的认知

1.Numpy是什么

1.一个开源的Python科学计算库
2.使用Numpy可以方便的使用数组，矩阵进行计算
3.包含线性代数，傅里叶变换，随机数生成等大量函数

2.Numpy的优点

代码更简洁：Numpy直接以数组，矩阵为粒度（一个单元）计算并且支持大量的数学函数，而python需要用for循环从底层实现
性能更高效：Numpy的数组存储效率和输入输出计算性能，比python使用list或者嵌套list好很多
        注：（Numpy的数据存储和python原生的list是不一样的）
        注：Numpy的大部分代码都是c语言实现的，这是Numpy比纯python代码高效的原因

Numpy是Python各种数据科学类库的基础库
比如SciPy,SCikit-Learn,Tensorflow,PaddlePaddle
如果不会Numpy，那么这些库的深入理解都会遇到障碍

二、array的基本知识

1.array本身的属性

shape：返回一个元组，表示array的维度
ndim：一个数字，表示array的维度的数目
size：一个数字，表示array元素的个数
dtpye：array中元素的数据类型

2.创建array的方法

1.从python的列表list和嵌套列表创建array
2.使用预定函数arrange，ones/ones_like,zeros/zeros_like,full/full_like,eye等函数创建
3.生成随机数的np.random模块构建

3.array本身支持的大量操作和函数

1.直接逐元素的加减乘除等算术操作
2.更好用的面向多维的数组索引
3.求sum/mean的等聚合函数
4.线性代数函数，比如求解逆矩阵，求解方程组

三、array的基本操作

导入模块：

import numpy as np

1.使用python的list和嵌套list创建一维的array和二维的array

# 创建一个一维的数组，也就是python的单元素list
x=np.array([1,2,3,4,5,6,7,8])
# 创建一个二维的数组，也就是python的嵌套list
X=np.array([[1,2,3,4],[5,6,7,8]])
print("x=",x)
print("X=",X)

运行结果：

2.数组array的属性

print(x.shape)#返回一个元组，表示维度和元素个数
print(X.shape)
print(x.ndim)#返回一个值，表示维度
print(X.ndim)
print(x.size)#返回一个值，表示数组中所有元素的个数
print(X.size)
print(x.dtype)#返回一个值，表示数组内元素的数据类型
print(X.dtype)

运行结果：

3.创建array的便捷函数

<1>.使用arange创建数字序列

arange([起始值（取得到）],[终止值（取不到）],[步长]，dtype=None)

print(np.arange(10))#创建一个0-10的一维数组（取不到10）
print(np.arange(2,10,2))#创建一个2-10，步长为2的一维数组（取不到10）

运行结果：

<2>使用ones创建单位数组

np.ones(shape,dtype=None,order=‘C’)
shape:int or tuple of ints Shape of the new array . eg:(2,3) or 2
dtype：数据类型，默认的是自己从输入的数据自动获得
order：有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序

print(np.ones(10))#创建一个一行十列的单位数组
print(np.ones((2,3)))#创建一个二行三列的单位数组

运行结果：

<3>使用ones_like创建与某个数组形状相同的单位数组

ones_like(a（数组）,dtype=float,order=‘C’)

print(np.ones_like(x))#创建一个和x相同形状的单位数组
print(np.ones_like(X))#创建一个和X相同形状的单位数组
print(np.ones_like([2,3]))#创建一个和[2,3]数组形状相同的单位数组
print(np.ones_like([[1,2,3],[4,5,6]]))#创建一个和[[1,2,3],[4,5,6]]数组形状相同的单位数组

运行结果：

<4>使用zeros创建全是0的数组

np.zeros(shape,dtype=None,order=‘C’)

print(np.zeros(3))#创建一个一行三列的零数组
print(np.zeros((2,4)))#创建一个二行四列的零数组

运行结果：

<5>使用zeros_like创建与某个数组形状相同的零数组

np.zeros_like(a(数组)，dtype=None,order=‘C’)

print(np.zeros_like(x))#创建一个和x数组形状相同的零数组
print(np.zeros_like(X))#创建一个和X数组形状相同的零数组
print(np.zeros_like([2,3]))#创建一个和[2,3]数组形状相同的零数组
print(np.zeros_like([[1,2,3],[4,5,6]]))#创建一个和[[1,2,3],[4,5,6]]数组形状相同的零数组

运行结果：

<6>使用empty创建全是0的数组

np.empty(shape,dtype=Nome,order=‘C’)
注意：数据是未初始化的，里面的值可能是随机值，不要用

print(np.empty(5))
print(np.empty((2,3)))

运行结果：

<7>使用empty_like创建形状相同的零数组

np.empty_like(prototype,dtype=None)(也有可能是未初始化数据，为随机值)

print(np.empty_like(x))
print(np.empty_like(X))
print(np.empty_like([2,3]))
print(np.empty_like([[1,2,3],[4,5,6]]))

运行结果：

<8>使用full创建指定值的数组

np.full(shape,fill_value,dtype=None,order=‘C’)

print(np.full(4,9))#创建一个一行四列，元素为9的数组
print(np.full((2,3),9))#创建一个二行三列，元素为9的数组

运行结果：

<9>使用full_like创建形状相同的数组

np.full_like(a(数组),fill_value,dtype=None)

print(np.full_like(x,9))#创建一个与x形状相同，元素为9的数组
print(np.full_like(X,9))#创建一个与X形状相同，元素为9的元素
print(np.full_like([2,3,4],9))#创建一个与[2,3,4]形状相同，元素为9的数组
print(np.full_like([[1,2,3],[4,5,6]],9))#创建一个与[[1,2,3],[4,5,6]]形状相同，元素为9的数组

运行结果：

<10>使用random模块生成随机数的数组

np.random.randn(d0,d1,…,dn)

print(np.random.randn())#生成一个随机数
print(np.random.randn(3))#随机生成一个一行三列的数组
print(np.random.randn(2,3))#随机生成一个二行三列的数组
print(np.random.randn(2,3,4))#随机生成一个三维的数组，有两块三行四列的数组组成

运行结果：

4.array本身支持的大量操作和函数

A=np.arange(10).reshape(2,5)#创建一个0-10的二行五列的数组
print(A)
print(A.shape)#数组的形状
print(A+1)#对A数组每个元素加一
print(A*2)#对A数组每个元素都乘2
print(np.sin(A))#对A数组每个元素求sin值,还可求其他三角函数值
print(np.exp(A))#对A数组每个元素求ln值
print(np.exp2(A))#对A数组每个元素求log2值

运行结果：

B=np.random.randn(2,5)#随机生成一个二行五列的数组
print(A+B)#将数组A和数组B对应元素相加
print(A-B)#将数组A和数组B对应元素相减

运行结果：