Numpy的基础入门总结

Numpy的基础入门总结1

1. nmupy的介绍
   num ----- numerical 数值化的
   py ------- python
   其中ndarray是numpy中非常重要的对象
   n ----- 任意
   d ----- 维度
   array ----- 数组

2. 为什么使用Numpy
   numpy运算效率更加快捷
   ndarray的优势：
   1.储存风格
   ndarray -相同类型，因此是连续储存的 -通用性不强
   list - 不同类型 - 通用性很强
   2.并行化运算
   ndarray 支持向量化(并行化)运算
   3.底层语言
   numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），对数组运算效率不受Python解释器限制。

3. 生成数组的方法
   1）.生成0、1的数组：np.zeros()、np.ones()
   2）.从现有的数组生成：
   np.array()、np.copy() 深拷贝
   np.asarray() 浅拷贝
   三者的区别是，浅拷贝，当现有的数组发现数值的改变时，该数组也会发生改变，而深拷贝不会。
   3）.生成固定范围的数组
   np.linspace(0,10,100) 从[0,10] 等距离 生成100个，注意0和10两者都是闭包
   np.arange(a,b,c) [a,b) c 步长，注意左闭右开1。
   4）.生成随机数组
   生成满足均匀分布的随机数组：
   np.random.uniform(low,hige,size)
   生成满足正态分布的随机数组：
   np.random.normal(β，σ，size)

知道了怎么生成数组，可以验证numpy运算效率的快捷性：

import random
import time
list = []",
for i in range(100000000):
	list.append(random.random())
ndarry = np.array(list)
#原生求和时间
t1 = time.time()
a = sum(list)
t2 = time.time()
d1 = t2-t1
#ndarray求和时间
t3 = time.time()
b = np.sum(ndarry)
t4 = time.time()
d2 = t3-t4

数量越多时，效率差距会更大。

4. 形状修改
   ndarray.reshape(shape) 返回新的ndarray，原始数据没有修改
   ndarray.resize(shape) 无返回值，对原始的ndarray进行修改
   ndarray.T 转置矩阵
5. 数据类型的修改：
   ndarray.astype(type)
   ndarray序列化到本地
   ndarray.tostring()
6. 数组的去重：
   set() 利用集合的特性去重
   np.unique(ndarray)

关于numpy的应用还需自己练习！