想学AI？先来一碗numpy的纯干货吧！

一、numpy是什么？

numpy是一个python的第三方支持库，它提供了强大的N维数组数据结构，广播函数库，整合C/C++和Fortran代码的工具包，实用的矩阵矢量运算、傅立叶变换和随机数生成等函数以及精密计算库，它和pandas、matplotlib并称为数据分析和机器学习的三剑客，也是python如今这么火热的重要原因。

二、numpy的优势是什么？

1.并行化

例如python内置的list也可以表示多维数组，如果想要将数组中的每个元素都乘以2，就需要逐个迭代获取每个元素然后乘以2，而numpy则不需要，直接乘以2就OK，理解并行化的思想对学习numpy很重要。

2.效率极高

numpy底层实现使用了C语言的内存分配机制，并且解除了python的PIL（全局解释器锁），运算速度非常快，让你感觉不像是一个解释型的语言。

3.精密计算

我们都知道计算机无法精确表示浮点数，在很多需要严格处理数字的领域能够精密计算尤为重要，比如航空航天、金融等领域。

三、基本概念

1.一个numpy.ndarray数组内的所有元素都是相同类型，不能又有整数，又有字符串，它和C语言的数组极像，因为要分配连续内存，所以必须确定类型后才知道每个元素占多少位。

2.大小固定，当创建一个numpy.ndarray创建时就确定了其大小，不能像列表、字典一样再新增元素，ndarray的大小右两个参数决定，分别是数组的维数和元素的数量，数组的维被称为轴(axes)，轴的数量被称为秩(rank)，例如：

a数组的维数为2，简单来说就是第一层解开时的元素数量，一共两个元素[1,2,3]和[4,5,6]，这就是维数，再解开一层的数量就时元素数量为3个。

3.并行操作是ndarray最基本性质：ndarray的操作作用于每一个元素，而普通列表作用于整个列表。

四、初始化操作

全

2.全1

3.根据一个已有数组的shape生成

4.对角线为1的单位矩阵

5.通过list生成

6.根据范围等距离生成

7.随机生成数据

标准正态分布

numpy.random中的函数

8.生成递增序列

9.一维数组按形状拆分

10.按shape (3,2,3)生成，填充随机值

五、索引及切片

普通列表的切片

普通列表的索引

ndarray的索引和切片原理和普通列表相同，不同之处在于ndarray就像洋葱一样包裹了很多层，它的索引可以接受很多层参数，参数从左到右指向了每一层的索引

六、数据类型及转换

一个ndarray中的元素必须是同一个类型

类型列表

类型转换方法

七、计算操作

算术运算

其他常用函数numpy.xxx

2.三角函数

普通三角函数

双曲型三角函数

反三角函数

3.矩阵运算

转置

在numpy中*是元素级乘法运算而不是矩阵的点积，矩阵点积使用dot函数。

在numpy.linalg中有专门针对矩阵计算的函数：

4.统计计算

5.条件判断数据筛选

6.其他函数或方法

八、数据序列化

np.save(‘./gen/filename’, ndarray)

使用save将数组ndarray序列化存储到本地文件中，得到filename.npy文件。

ndarray = np.load(‘./gen/filename.npy’)

加载本地文件中的序列化文件，记得跟npy后缀名

np.savez(‘./gen/zipfile.npz’, a=arr1, b=arr2)

将多个数组压缩保存至本地文件

arr = np.load(‘./gen/zipfile.npz’)

arr1 = arr[‘a’]

arr2 = arr[‘b’]

读取压缩文件，并将对象提取出来。

arr = np.loadtxt(‘filename.txt’, delimiter=’,’)

将文本文件中的内容加载到数组中，delimiter表示文本文件中使用的分隔符。