NumPy 简介

说明

NumPy 教程持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

NumPy 是一个开源项目，旨在通过 Python 启用数值计算。它创建于 2005 年，以数值库和 Numarray 库的早期工作为基础。 NumPy 将永远是 100％的开源软件，所有用户均可免费使用，并根据经过修改的 BSD 许可的自由条款发布。NumPy 是在 NumPy 和更广泛的科学 Python 社区的共识下在 GitHub 上公开开发的。

NumPy 将诸如 C 和 Fortran 之类的语言的计算能力引入了 Python，这是一种易于学习和使用的语言。有了这种强大功能，操作就会变得简单，NumPy 提供的解决方案通常清晰明了。

特点

为什么选择 NumPy？强大的 n 维数组、数值计算、通用、高性能、开源。

NumPy 是 Python 中科学计算的基本软件包。它是一个 Python 库，提供多维数组对象，各种派生对象（例如蒙版数组和矩阵）以及各种常规操作，用于对数组进行快速操作，包括数学，逻辑，形状处理，排序，选择，I/O ，离散傅立叶变换，基本线性代数，基本统计运算，随机模拟等等。

历史

NumPy 的前身最早是由 Jim Hugunin 与其它协作者共同开发 Numeric ，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。

功能

强大的N维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
切片和索引访问数据
线性代数
傅里叶变换
随机数生成
矩阵数据类型
矢量处理
精密运算

为什么 NumPy 这么快？

矢量化描述了代码中没有任何显式的循环，索引等 - 这些当然是预编译的C代码中“幕后”优化的结果。矢量化代码有许多优点，其中包括：

矢量化代码更简洁，更易于阅读
更少的代码行通常意味着更少的错误
代码更接近于标准的数学符号（通常，更容易正确编码数学结构）
矢量化导致产生更多 “Pythonic” 代码。如果没有矢量化，我们的代码就会被低效且难以阅读的for循环所困扰。

广播

广播是用于描述操作的隐式逐元素行为的术语。一般来说，在 NumPy 中，所有操作，不仅仅是算术运算，还包括逻辑、位、函数等，都以这种隐式的逐元素方式表现，即它们进行广播。此外，可以是相同形状的多维数组，或者标量和数组，或者甚至是具有不同形状的两个数组，条件是较小的数组可以「扩展」到更大的形状，结果广播明确无误的方式。

应用

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用，这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。

Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它为利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口（API）。

另外，知名的数据分析库 Pandas 也是基于 NumPy 的底层数据结构，其中的数据结构、数据处理思想和很多数据操作也来源于 NumPy。

安装

使用 NumPy 需要先安装 python 环境并安装相应的代码编辑工具（参见后篇），然后使用 python 的 pip 命令进行安装：

pip install numpy -U
# 国外网络慢，可指定国内源快速下载安装
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

使用时按照惯例对模块取别名 np，建议也严格遵守此约定：

# 导入 numpy 库, 约定俗成别名为 np
import numpy as np

np.array([1, 2, 3])

NumPy 简介

特点

历史

功能

为什么 NumPy 这么快？

广播

应用

安装

相关链接