【numpy简介、入门、数组创建】
🤵♂️ 个人主页@老虎也淘气 个人主页
✍🏻作者简介：Python学习者
🐋 希望大家多多支持我们一起进步！😄
如果文章对你有帮助的话，
欢迎评论 💬点赞👍🏻 收藏 📂加关注
python之Numpy学习
- 什么是 NumPy？
- 为何使用 NumPy？
- 为什么 NumPy 比列表快？
- NumPy 用哪种语言编写？
- NumPy 代码库在哪里？
- NumPy 入门
- 安装 NumPy
- 导入 NumPy
- NumPy as np
- 检查 NumPy 版本
- numpy数组创建
- 创建 NumPy ndarray 对象
- 数组中的维
- 0-D 数组
- 1-D 数组
- 2-D 数组
- 3-D 数组
- 检查维数？
- 更高维的数组
什么是 NumPy？
NumPy 是用于处理数组的 python 库。
它还拥有在线性代数、傅立叶变换和矩阵领域中工作的函数。
NumPy 由 Travis Oliphant 于 2005 年创建。它是一个开源项目，您可以自由使用它。
NumPy 指的是数值 Python（Numerical Python）。
为何使用 NumPy？
在 Python 中，我们有满足数组功能的列表，但是处理起来很慢。
NumPy 旨在提供一个比传统 Python 列表快 50 倍的数组对象。
NumPy 中的数组对象称为 ndarray，它提供了许多支持函数，使得利用 ndarray 非常容易。
数组在数据科学中非常常用，因为速度和资源非常重要。
数据科学：计算机科学的一个分支，研究如何存储、使用和分析数据以从中获取信息
为什么 NumPy 比列表快？
与列表不同，NumPy 数组存储在内存中的一个连续位置，因此进程可以非常有效地访问和操纵它们。
这种行为在计算机科学中称为引用的局部性。
这是 NumPy 比列表更快的主要原因。它还经过了优化，可与最新的 CPU 体系结构一同使用。
NumPy 用哪种语言编写？
NumPy 是一个 Python 库，部分用 Python 编写，但是大多数需要快速计算的部分都是用 C 或 C ++ 编写的。
NumPy 代码库在哪里？
NumPy 的源代码位于这个 github 资料库中：资料库
github：使许多人可以在同一代码库上工作。
NumPy 入门
安装 NumPy
如果您已经在系统上安装了 Python 和 PIP，那么安装 NumPy 非常容易。
请使用这条命令安装它：
C:\Users\Your Name>pip install numpy
导入 NumPy
安装 NumPy 后，通过添加 import 关键字将其导入您的应用程序：
import numpy
实例
import numpy arr = numpy.array([1, 2, 3, 4, 5]) print(arr)
NumPy as np
NumPy 通常以 np 别名导入。
别名：在 Python 中，别名是用于引用同一事物的替代名称。
请在导入时使用 as 关键字创建别名：
import numpy as np现在，可以将 NumPy 包称为 np 而不是 numpy。
实例
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr)
检查 NumPy 版本
版本字符串存储在 version 属性中。
实例
import numpy as npprint(np.__version__)
numpy数组创建
创建 NumPy ndarray 对象
NumPy 用于处理数组。 NumPy 中的数组对象称为 ndarray。
我们可以使用== array() 函数创建一个 NumPy ndarray 对象。==
实例
import numpy as np arr = np.array([1, 2, 3, 4, 5])print(arr)print(type(arr))
type(): 这个内置的 Python 函数告诉我们传递给它的对象的类型。像上面的代码一样，它表明 arr 是 numpy.ndarray 类型。
要创建 ndarray，我们可以将列表、元组或任何类似数组的对象传递给 array() 方法，然后它将被转换为 ndarray：
实例
使用元组创建 NumPy 数组：
import numpy as np arr = np.array((1, 2, 3, 4, 5))print(arr)
数组中的维
数组中的维是数组深度（嵌套数组）的一个级别。
嵌套数组指的是将数组作为元素的数组。
0-D 数组
0-D 数组，或标量（Scalars），是数组中的元素。数组中的每个值都是一个 0-D 数组。
实例
用值 61 创建 0-D 数组：
import numpy as nparr = np.array(61)print(arr)
1-D 数组
其元素为 0-D 数组的数组，称为一维或 1-D 数组。
这是最常见和基础的数组。
实例
创建包含值 1、2、3、4、5、6 的 1-D 数组：
import numpy as nparr = np.array([1, 2, 3, 4, 5, 6])print(arr)
2-D 数组
其元素为 1-D 数组的数组，称为 2-D 数组。
它们通常用于表示矩阵或二阶张量。
NumPy 有一个专门用于矩阵运算的完整子模块 numpy.mat。
实例
创建包含值 1、2、3 和 4、5、6 两个数组的 2-D 数组：
import numpy as nparr = np.array([[1, 2, 3], [4, 5, 6]])print(arr)
3-D 数组
其元素为 2-D 数组的数组，称为 3-D 数组。
实例
用两个 2-D 数组创建一个 3-D 数组，这两个数组均包含值 1、2、3 和 4、5、6 的两个数组：
import numpy as nparr = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])print(arr)
检查维数？
NumPy 数组提供了 ndim 属性，该属性返回一个整数，该整数会告诉我们数组有多少维。
实例
检查数组有多少维：
import numpy as npa = np.array(42)
b = np.array([1, 2, 3, 4, 5])
c = np.array([[1, 2, 3], [4, 5, 6]])
d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])print(a.ndim)
print(b.ndim)
print(c.ndim)
print(d.ndim)
更高维的数组
数组可以拥有任意数量的维。
在创建数组时，可以使用 ndmin 参数定义维数。
实例
创建一个有 5 个维度的数组，并验证它拥有 5 个维度：
import numpy as nparr = np.array([1, 2, 3, 4], ndmin=5)print(arr)
print('number of dimensions :', arr.ndim)