NumPy介绍

NumPy 是 Python 中科学计算的基本包。它是一个 Python 库，提供了高性能的多维数组对象以及对数组进行各种快速操作，包括数学、逻辑、形状操作、排序、选择、I/O、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等。

NumPy 官网

一、与python数组区别

1. NumPy 数组在创建时具有固定大小，这与 Python 列表（可以动态增长）不同。更改数组的大小 ndarray将创建新数组并删除原始数组。
2. NumPy 数组中的所有元素都必须是同一数据类型，因此在内存中的大小也相同。（例外情况是：对象数组）。
3. NumPy 数组便于对大量数据进行高级数学和其他类型的运算。通常与使用 Python 的内置序列相比，此类运算执行起来更高效，代码也更少。

越来越多的基于 Python 的科学和数学软件包正在使用 NumPy 数组。

例子

如果a和b每个都包含数百万个数字， 循环里会一直动态增长数据的长度，导致效率非常差。

c = []
for i in range(len(a)):
    c.append(a[i]*b[i])

而使用 NumPy 只需要一行代码，而且 NumPy 内部还会一次性创建好需要长度的数组，效率也比较高。

c = a * b

矢量化

矢量化是指代码中不存在任何显式循环、索引等。

• 矢量化代码更简洁，更易读
• 代码行数越少，错误就越少
• 代码更接近标准数学符号（通常可以更容易地正确编码数学结构）
• 矢量化可产生更“Python 化”的代码。如果没有矢量化，我们的代码将充斥着低效且难以阅读的for循环

广播

一般来说，在 NumPy 中，所有操作（不仅是算术运算，还有逻辑运算、按位运算、函数运算等）都以这种隐式逐元素方式运行，即它们广播。

二、安装

使用 pip 进行安装。

pip install numpy

安装后，尝试导入 NumPy 库，如果没有错误提示，表示安装成功。

import numpy as np

每次使用 NumPy 前都需要导入库

三、数组

在计算机编程中，数组是一种用于存储和检索数据的结构。我们经常将数组视为空间中的网格，每个单元格存储一个数据元素。

例如，如果数据的每个元素都是一个数字，我们可以将“一维”数组可视化为列表：

image-20240629220249133

二维数组就像一张表：

image-20240629220259526

三维数组就像一组表格，打印在不同的页面上一样堆叠在一起。

在 NumPy 中，这个想法被推广到任意数量的维度，因此基本数组类被称为`ndarray，它表示N 维数组。

大多数 NumPy 数组都有一些限制。例如：

• 数组的所有元素必须是同一类型的数据。
• 一旦创建，数组的总大小就不能改变。
• 形状必须是“矩形”，而不是“锯齿状”；例如，二维数组的每一行必须具有相同数量的列。