南宫理的日知录

本文介介绍了将NumPy中的多维数组进行保存和加载的方法，我们可以通过pickle进行保存和修改，也可以通过np.save()和np.load()进行保存和修改。需要保存为文本格式，可以使用np.savetxt()和np.loadtxt()。保存多个数组，可以使用np.savez()。数据量比较大时，可以考虑HDF5文件。

本文首先简单回顾了ndarray、向量化、广播的相关内容。然后，介绍了基于NumPy中的核心特性：ndarray、向量化、广播，以及ufunc实现面向数组编程的方法。最后介绍了内置ufunc的使用，以及如何自定义ufunc的3种方法。

本文简单介绍了NumPy中相对常用的数组拼接和拆分的函数，最灵活常用的就是np.concatenate()函数了，当然，如果是进行二维数组的数据的拼接，np.vstack()和np.hstack()也是挺常用的。在进行数组拆分和拼接操作时，只要对轴的概念比较理解，一般都不会有太大的问题。

本文简单辨析了标量、向量、矩阵和张量这几个术语的含义，标量、向量和矩阵可以看作是特殊的张量。所有的张量，在Python、NumPy、PyTorch中，底层可以理解为都是以多维数组的形成进行实现。

本文首先介绍了NumPy中element-by-element的基本原理，引出了广播机制，然后介绍了NumPy中广播的触发规则，其间，通过代码及示意图的方式演示了广播的执行过程。最后总结了广播机制的优势以及在使用中需要注意的事项。

本文简单介绍了NumPy中支持的四类统计相关的函数，分别是：顺序相关的统计函数、均值方差相关的统计函数、相关性相关的统计函数、分布相关的统计函数。同时介绍了轴的概念以及按照轴axis进行统计的不同。最后介绍了argmax()和argmin()函数的使用。

本文简单介绍了NumPy支持的比较常用的逻辑运算，包括比较运算、逻辑运算符、三元运算，以及any和all的语义。基于这些操作的组合，就可以实现比较灵活的数组元素的筛选了。

本文按照运算的操作数的类型，将NumPy数组的运算分为：形状相同的数组的运算、数组与标量的运算、不同形状的数组的运算。NumPy数组的运算，其实是基于向量化的机制来实现的，所以数组运算，可以不用写循环代码，代码可读性和效率都较高。

本文介绍了常见的对多维数组ndarray进行形状重塑的方法，其中：reshape()默认会返回新的视图，原始数据不变，但是需要保证形状兼容；resize()直接修改原始数组的形状，可能会修改原数据；flattern()返回一个新的拉平的数组，不共享原始数据；ravel()则返回扁平化的视图，共享数据。此外，flat属性，是一个对原始数组进行扁平化访问的迭代器，可以对原始数组直接进行遍历、读取、修改等。

本文首先介绍了ndarray对象的内部机理，理解了其元数据和原始数组的构成，并引出了0拷贝视图机制的基础strides步进属性。最后介绍了关于数组数据存储顺序的两种方式，并通过C指针验证了不同视图下的原始数组存储顺序不变的特性。

本文对NumPy中的切片操作进行了相应的扩展，同时引入newaxis常量和Ellipsis对象的概念，介绍了NumPy中关于轴的概念，以及升维与切片组合实现更加复杂的切片需求的实现。

本文简单介绍了NumPy多维数组的索引和切片的相关内容，包括：基本索引方式、基本切片方式、整型数组的切片方式、布尔数组的切片方式等。同时，对比Python原生列表的索引和切片，指出了NumPy多维数组的索引和切片需要特别注意的数据截断和切片视图机制。

本文分别介绍了多维数组ndarray对象中的shape、dtype、ndim、size、itemsize、nbytes、T等属性。并对各个属性的含义及用法通过代码进行了演示说明。需要指出的是，shape和dtype是最核心的两个属性，其他属性均可以基于这两个属性进行计算推导。

本文分别介绍了基于Python原生的序列创建NumPy数组、基于已存在的NumPy数组创建新的NumPy数组、NumPy内部函数创建特定数组、从磁盘数据创建NumPy数组和使用其他Python数据科学库的库函数创建NumPy数组的方法。

本文简单介绍了Python中对象的内存结构，对比了C语言数组、NumPy数组，以及Python列表存储相同数组的情况下的内存结构，从内存结构的差异上，可以看出Python为了支持灵活性和易用性，在性能上所作出的妥协。最后，通过代码简单比较了NumPy和Python列表的计算性能。

本文简单介绍了NumPy是什么，以及为什么从事数据科学的开发与研究，有必要花时间认真学习NumPy的高效使用，介绍了NumPy的一些核心特性，并通过代码着重演示了向量化和广播两个特性。希望通过这些内容的介绍，能够对NumPy有个全局性的认识，在后续的文章中将对NumPy的使用进行逐一介绍。

本文简单介绍了什么是Jupyter Notebook，相较于IDE，它有哪些优势。最后介绍了Jupyter Notebook的安装、启动，以及最常用的一些快捷操作。如果有Vim的使用经验，相信对Jupyter Notebook两种模式，以及命令模式中的快捷操作会有很多的熟悉感。最后，工具的学习，还是要反复实践。

本文简单介绍了数据科学的含义，强调了“跨学科”的特性；介绍了数据科学的主要工作内容；最后介绍了Python中常用的数据科学的库。需要说明的是，应当将数据科学作为一项具有加乘作用的新能力，而非一门新的学科。