目录
一、什么是Numpy？
NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，派生对象以及用于数组快速操作的各种API，包括数学、逻辑、形状操作、排序、选择、输入输出、基本线性代数，基本统计运算和随机模拟等等。
NumPy的核心是 ndarray（n-dimensional array） 对象，即 n 维数组，它与Python列表的区别如下：
- NumPy数组在创建时具有固定的大小，而Python的列表可以动态增长。更改ndarray的大小将创建一个新数组并删除原来的数组。
- NumPy数组中的元素都需要具有相同的数据类型，而Python的列表可以拥有不同数据类型的元素。
- NumPy数组有助于对大量数据进行高级数学和其他类型的操作，通常这些操作的执行效率更高，比使用Python列表的代码更少。
- 越来越多基于Python的科学/数学软件包使用NumPy数组，虽然这些工具通常都支持Python的列表作为参数，但它们在处理之前会还是会将输入的列表转换为NumPy的数组，而且也通常输出为NumPy数组。
二、安装Numpy
在命令行中使用如下命令进行安装：
pip install numpy
对于conda用户，则可用
conda install numpy
安装完后，我们就可以导入Numpy了，我们一般使用如下代码进行导入：
import numpy as np
np 是 numpy 的简写，目的是为了后面编写程序时能够更加简洁方便，同时使用 np 不会失去可读性，并且这种简写方式也是绝大多数人的选择。
三、ndarray 和 matrix 该使用哪一个？
我们已经知道，ndarray 是Numpy中的 n 维数组对象，但除此之外，Numpy还提供了一种特殊的矩阵类型：matrix，它是 ndarray 的子类。
ndarray 和 matrix 都可以完成对矩阵的运算，那么哪一个更好呢？
先说答案：使用 ndarray。
原因有以下几点：
- ndarray 是Numpy中标准的向量/矩阵/张量类型，许多Numpy函数返回的是数组，而不是矩阵。
- 使用 ndarray 比使用 matrix 构建矩阵更为方便。
- ndarray 可以处理高维数组，而 matrix 只能处理二维数组。
- 在 ndarray 中，运算符
*表示按元素相乘（也可以用multiply()），运算符@表示矩阵乘法（也可以用dot()）；而在 matrix 中，*代表的是矩阵乘法，按元素相乘则需要使用multiply()。
四、创建 n 维数组
想必你已经对Numpy中的 n 维数组对象 ndarray 有了一个大概的了解，那么我们该如何创建 n 维数组呢？
有以下两种常用方法：
- 将现有的Python列表、元组转换为 ndarray
- 使用Numpy自带的数组创建函数（如arange、linspace等）
4.1 将现有的列表、元组转换为 n 维数组
方法很简单，只需要外面套一个 np.array() 即可。
对于列表：
A = np.array([1, 2, 3])
print(A)
print(type(A))
# [1 2 3]
# <class 'numpy.ndarray'>
对于元组:
A = np.array((1, 2, 3))
print(A)
print(type(A))
# [1 2 3]
# <class 'numpy.ndarray'>
4.2 使用Numpy自带的数组创建函数
我们这里只做一个简短的介绍，关于数组的创建、修改等内容详情见本系列的下一篇文章。
| 函数 | 描述 |
|---|---|
| np.arange([start], stop, [step]) | 创建一个在[start, stop)区间内的，步长为step的数组；start省略时默认为0，step省略时默认为1 |
| np.linspace(start, stop, num) | 创建一个在[start, stop]区间内的，大小为num的数组 |
例如，若要创建 [ 0 , 10 ] [0, 10] [0,10] 中所有偶数的数组，我们可以使用arange函数，只需设置步长为 2：
A = np.arange(0, 11, 2)
print(A)
# [ 0 2 4 6 8 10]
也可以使用linspace函数，不过我们需要事先知道 [ 0 , 10 ] [0, 10] [0,10] 中的偶数有多少个：
A = np.linspace(0, 10, 6)
print(A)
# [ 0. 2. 4. 6. 8. 10.]
看起来arange和linspace返回的结果一样，但实际是不同的，具体这里就不再赘述了，详情可见下一篇文章。
4.3 对 ndarray 进行索引和切片
当然，我们可以像对待Python列表那样，对Numpy中的n维数组进行索引和切片：
A = np.arange(10)
print(A[3])
print(A[1:])
print(A[:-2])
print(A[::-1])
print(A[::2])
# 3
# [1 2 3 4 5 6 7 8 9]
# [0 1 2 3 4 5 6 7]
# [9 8 7 6 5 4 3 2 1 0]
# [0 2 4 6 8]
五、Numpy中的常量
| 常量 | 描述 |
|---|---|
| np.inf | 代表 + ∞ +\infty +∞ |
| np.NINF | 代表 − ∞ -\infty −∞ |
| np.nan | 代表非数字 |
| np.e | 代表自然底数 |
| np.pi | 代表 π \pi π |
| np.euler_gamma | 代表欧拉常数 |
| np.newaxis | 代表None |
注意： 以上提到的7个常量中，前六个都是浮点型，即 <class 'float'>，只有最后一个是Nonetype型：<class 'NoneType'>。
前六个常量想必大家都不陌生，并且在实际的编程任务中会经常用到。对于第七个常量：np.newaxis，我们会在后面的文章中进行详细讲解。
六、Numpy中的数据类型
Numpy支持比Python更多种类的数据类型，本节将介绍常见的数据类型，以及如何修改n维数组的数据类型。
6.1 布尔型
| 名称 | 描述 |
|---|---|
| np.bool8（np.bool_） | 布尔型数据类型（True 或者 False） |
6.2 整型
| 名称 | 描述 |
|---|---|
| np.int8 | 字节（-128 to 127） |
| np.int16 | 整数（-32768 to 32767） |
| np.int32 | 整数（-2147483648 to 2147483647） |
| np.int64（np.int_） | 整数（-9223372036854775808 to 9223372036854775807） |
| np.uint8 | 无符号整数（0 to 255） |
| np.uint16 | 无符号整数（0 to 65535） |
| np.uint32 | 无符号整数（0 to 4294967295） |
| np.uint64 | 无符号整数（0 to 18446744073709551615） |
6.3 浮点型
| 名称 | 描述 |
|---|---|
| np.float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| np.float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| np.float64（np.float_） | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
6.4 复数型
| 名称 | 描述 |
|---|---|
| np.complex64 | 复数，由两个32位浮点数（实数和虚数部分）组成 |
| np.complex128（np.complex_） | 复数，由两个64位浮点数（实数和虚数部分）组成 |
6.5 dtype
6.5.1 查看数据类型
dtype可以用来查看ndarray中元素的数据类型。我们先做一些实验：
实验一
A = np.array([1, 1])
print(A.dtype)
# int32
可见对于n维整型数组，Numpy默认的数据类型是 int32。
实验二
A = np.array([1., 1.])
print(A.dtype)
# float64
可见对于n维浮点型数组，Numpy默认的数据类型是 float_。
实验三
A = np.array([1j, 1j])
print(A.dtype)
# complex128
可见对于n维复数型数组，Numpy默认的数据类型是 complex_。
6.5.2 设置数组的数据类型
若要设置数组的数据类型，我们可以这样做：
A = np.array([1, 2, 3], dtype=np.float64)
print(A)
# [1. 2. 3.]
可以发现整型数组已经转化为了浮点型数组。
当然我们还有更简便的方法：
A = np.float64([1, 2, 3])
print(A)
# [1. 2. 3.]
以上提到的两种方法都是在创建数组的同时设置数据类型，我们还可以使用astype()方法对已有的数组更改数据类型：
A = np.array([1, 2, 3])
print(A.dtype)
A = A.astype(np.float64)
print(A.dtype)
# int32
# float64
6.5.3 溢出问题
如果数据类型设置不当，可能会造成数据溢出。例如，在创建下面这样的数组时：
A = np.array([3333443333, 4444334444], dtype=np.int32)
会报错： OverflowError，这是因为数组中有元素的值大于 int32 的范围了，我们需要使用 int64 才能继续创建。
A = np.array([3333443333, 4444334444], dtype=np.int64)
print(A)
# [3333443333 4444334444]
