首先声明一下这篇文章，并不是numpy的学习教程，只是一个北大青鸟上海云登校区老师帮学员总结的一个numpy简介，旨在大家在以后学习的时候能够知道什么 NumPy。关注浙江优就业头条账号，学习it互联网高新技术。
python
简介：
NumPy(Numerical Python)是高性能科学计算和数据分析的基础包。NumPy的主要对象是同构数据多维容器(homogeneous multidimensional array)——ndarray，也就是说每一个ndarray都是一个相同类型元素组成的表格(二维)。在NumPy中维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。轴这个概念必须牢记，否则放弃吧。首先轴是从0开始计的，0代表最高维，次高维是1，以此类推。 还有两个概念需要认识:
?
面向数组——NumPy本身并没有提供多么高级的数据分析功能，理解NumPy数组以及面向数组的计算将有助于你更加高效地使用诸如pandas之类的工具。
? ?
矢量化(vectorization)——用数组表达式代替循环的做法。一般来说，矢量化数组运算要比等价的纯Python方式快上一两个数量级(甚至更多)，尤其是各种数值计算。
?
ndarray属性 1.
ndarray.ndim——ndarray的秩。 2. 3.
ndarray.shape——书面意思ndarray的形状。官方解释是各维度的大小所组成的tuple元组。 4. 5.
ndarray.size——数组元素的总个数，等于shape属性中元组元素的乘积。 6. 7.
ndarray.dtype——是一个特殊的对象，它含有ndarray将一块内存解释为特定数据类型所需的信息。ndarray内部由一个指向数组的指针，一个数据类型，一个表示形状的元组和一个跨度元组(跨越某一维度所需字节数)。由于NumPy关注的是数值计算，所以没有特别指定，dtype基本都是float64(浮点数)，果然是基本，np.arange(10)产生的数组类型是int32，嗯，推断的还算合理吧。 8.
9.
ndarray.itemsize——书面意思项大小，就是数组中每一个元素所占字节大小。 10. 11.
ndarray.data——官方说不需要使用，so 没细研究。 12.
创建ndarray
函数 说明 np.array(data,dtype=None, order=None) 将数据data(列表、元组、数组或其他序列类型)转换为ndarray。要么推断出dtype，要么显示指定dtype。order默认直接复制数据。默认是A(可能是C可能是F还可能是其它) np.asarray(data, dtype=None, order=None) 将输入数据转换为ndarray，data同上还可以是ndarray，如果是ndarray就不进行复制。dtype同上，order是重塑中行优先C还是列优先F，默认C语言风格。 np.arange(10,30,5,dtype=None) np.ones( (2,3,4), dtype=None) 、np.ones_like(a) 开始，结束，步长和内置的range相同 根据指定的形状和dtype创建一个全1的数组。ones_like以另一个数组为参数，创建形状和dtype相同的全1数组。 函数 np.zeros() 、np.zeros_like() np.empty() 、np.empty_like() 说明 全0数组，类似ones和ones_like。 创建数组，只分配内存空间但不填充任何值，所以返回的是垃圾值。类似ones和ones_like。 np.eye(N, M=None, k=0, dtype=
大小相等的数组之间的任何算术运算都会将运算应用到元素级。 数组与标量的算术运算也将会将那个标量值传播到各个元素。 当dtype不一致时，采用上溯造型(upcasting) 逻辑运算
<、>、<=、>=、==、!=和&(和)、|(或)、-(非)，这些运算符和算术运算符的使用一致，只不过将产生一个新的布尔型数组。
集合运算
NumPy提供了一些针对一维ndarray的基本集合运算。
函数 np.unique(x, return_counts=False) np.intersect1d(x,y) np.union1d(x,y) np.in1d(x,y) np.setdiff1d(x,y) np.setxor1d(x,y) 说明 计算x中的唯一元素，并返回有序数组， return_counts=True时一并返回对应元素的数量数组。 (交)计算x，y中的公共元素，并返回有序数组 (并)计算x，y的并集，并返回有序数组 (包含)得到一个表示x的元素是否包含于y的布尔型数组 (差)集合的差，即元素在x中且不在y中 (异或)集合的对称差，即存在于一个数组中但不同时存在于两个数组中的元素。 索引
索引这一节一句半句说不清，另起一篇来写。 形状操纵
reshape(x,y,...)返回修改的新数组，resize((x,y,...))返回修改后的自身。 转置：
转置(transpose)是重塑的一种特殊形式它返回的是源数据的视图。数组不仅有transpose方法，还有一个特殊的T属性。简单的转置可以使用.T，他其实就是进行轴对换而已。ndarray还有一个swapaxes方法，他需要接受一对轴编号eg:swapaxes(0,1)。对于高维数组transpose需要一个轴编号组成的元组才能对这些轴进行转置。 这里对transpose解释一下
In [4]: arr = np.arange(16).reshape((2,2,4)) In [5]: arr Out[5]: array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]]) In [6]: arr.transpose((1,0,2)) Out[6]: array([[[ 0, 1, 2, 3], [ 8, 9, 10, 11]], [[ 4, 5, 6, 7], [12, 13, 14, 15]]]) 简而言之就是将原来的0，1，2轴变成现在的1，0，2，转换后的0轴是原来的1轴，转换后的1轴是原来的0轴，2轴未变。 换种解释：比如说8元素的索引是[1,0,0]，0，1轴变换后是[0,1,0]。 组合不同的数组(堆stack)：
关注浙江优就业，学习it高新技术
其他
用于数组的文件输入输出
NumPy能够读写磁盘上的文本数据或二进制数据。
np.save和np.load是读写磁盘数组数据的两个主要函数。默认情况下，数据是以未压缩的原始二进制格式保存在扩展名为.npy的文件中的。如果文件路径末尾没有扩展名.npy，则该扩展名会被自动加上。通过np.savez可以将多个数组保存到一个压缩文件中，将数组以关键字参数的形式传入即可
np.savez('array_archive.npz',a=arr1, b=arr2)，加载.npz文件时，你会得到
一个类似字典的对象，该对象会对各个数组进行延迟加载。
NumPy提供了从文件中加载文本的函数np.loadtxt()，还有更为专门化的np.genfromtxt()将数据加载到普通的NumPy数组中，只不过他面向的是结构化数组和缺失数据处理。这些函数都许多选项可供使用：指定各种分隔符、针对特定列的转换器函数、需要跳过的行数等。完整版的np.loadtxt(fname,
dtype=
默认whitespace空白，converters = dict{columu : function}。np.savetxt()执行的是相反的操作。 复制和视图
简单的赋值不拷贝数组对象或者他们的数据；视图就是同一数据的引用，改视图，就是改数据；切片返回的是视图。显示复制用copy()函数。其实考虑一下NumPy
工具出现的目的也能明白，能够高效、快速处理大量数据，老是复制多费劲，还占内存。
本文仅供学习参考有什么不足之处，欢迎大家留言指正，共同学习，共同进步。
利用Python进行数据分析之Numpy简介
