NumPy入门1：基本操作与通用函数

前言

• 本文介绍NumPy的基本操作和通用函数。NumPy作为数据科学领域常用的Python数学处理工具，掌握NumPy十分重要

• 将在《NumPy入门2》中介绍广播、索引、结构化数组等后续内容

• 本文面向新手

• NumPy提供一种固定类型数组和相应的操作及方法，单个数组存储数据的多样性较Python原始列表而言较弱，但NumPy内部大量的数学处理工具为我们提供了极大的便利

• NumPy的array类型是ndarray，是固定类型数组，即内部所有元素都是相同类型的。

• Python自带的list，同一个list内的不同元素类型可以不同，则list就需要为每个元素存储各自一个和元素相关的信息块。若list中所有元素都是相同类型，则就会存储大量多余重复的信息块

• Python自带array要求内部元素类型相同，但其提供的操作和方法相比于NumPy就逊色许多。

• 注意，ndarray本身是数组类型，不是向量类型

• 总而言之，在对大量数据集的数据处理及数学运算上，NumPy的效率要远远高于原生Python

• 一般而言，才处理小数据集时，NumPy的效率和Python原生的效率相差无几。下文主要都是用小数据集来介绍NumPy仅仅是为了方便记录，实际工作中在处理小数据集上没必要用NumPy代替Python原生

• 个人推荐直接安装Anaconda。Anaconda包括Python、R、包管理工具conda、数据处理工具NumPy、pandas等、IDE如Spyder等、增强版Python——交互式console IPython、Jupyter notebook and Jupyter lab等，具备了各种强大的数据处理工具。也可以安装纯Python或miniconda再自行手动安装NumPy。

• 本文只给出各种操作、方法的案例和使用方法，不对任何方法以及其参数等进行深入、详细的介绍，文档里都有，请自行查阅文档

• 本文原为Jupyter lab编辑完成，请自行区分输入和输出

NumPy pandas的本质是Module，即一个.py文件

• 首先

import numpy as np

创建NumPy的ndarray

注意前闭后开区间

print(np.array([1, 2, 3]), end = '\n\n')
print(np.array(range(10)), end = '\n\n')
print(np.array([range(i, i+3) for i in [1, 4, 7]]), end = '\n\n')

[1 2 3]

[0 1 2 3 4 5 6 7 8 9]

[[1 2 3]
 [4 5 6]
 [7 8 9]]

print(
    np.empty(10),# 空数组的内部值理论上是随机的，也有的全是0
    np.zeros(10, dtype = int),
    np.eye(3),
    np.ones((3, 3), dtype = float),
    np.full((2,2,3), 2.17),
    np.arange(0, 20, 4),#与range()类似
    np.linspace(0, 20, 4),
    sep = '\n\n'
)

[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]

[0 0 0 0 0 0 0 0 0 0]

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]

[[[2.17 2.17 2.17]
  [2.17 2.17 2.17]]

 [[2.17 2.17 2.17]
  [2.17 2.17 2.17]]]

[ 0  4  8 12 16]

[ 0.          6.66666667 13.33333333 20.        ]

print(
    np.random.random((4, 4)),#在0~1均匀分布的随机数组成的数组
    np.random.normal(0, 1, (