NumPy教程之（一）

NumPy是Python下用于科学计算的基本软件包，它是Python下用于提供多维数组对象的库，很多对象（比如矢量和矩阵）均派生自多维数组，并且提供了各种各样的运算，比如数学运算，掩膜运算，逻辑运算，选择，排序，离散傅里叶变换，线性代数等。其中，NumPy软件包的核心是ndarray对象，该对象封装了同类类型数据的多维数组，为了提升运算性能，有些操作运算是采用C/C++等编译语言实现的。NumPy数组与标准的Python序列类型有一些重要区别：

1. NumPy在创建的时候必须指定数组大小，并且在改变数组大小的时候回创建一个新的数组，原数组被删除，这一点它不像Python的  列表（list）。

2. NumPy数组中的元素必须具有相同的数据类型。

3. NumPy提供更多更方便的操作运算。

4. 虽然Python也有很多内置的相当于多维数组的对象类型，并且也提供了相应的运算，但是越来越多的科学和数学采用基于Python的软件包使用NumPy数组 ，并且大部分会先把Python内的数组类型转化为NumPy数组，用于输入和输出。并且NumPy提供的运算更高效。
NumPy的安装也很简单，本人是在Win7 64位系统下利用Anaconda4集成的Python下采用pip install numpy安装。

在NumPy中，维数被称为axes,维数的个数被称为秩（rank）。举例说明如下：

[1, 2, 1] 为一维数组，其秩（rank）为1，axes为1。axes的长度为3，

[ [ 1., 0., 0.],
[ 0., 1., 2.] ] 为二维数组，其秩（rank）为2，其axes为2，第一维（axes）的长度为3，第二维的长度也为3。

NumPy的数组类为ndarray，它的别名为array，（了解Linux系统的会知道所谓别名（alias）的用处），也就是array与ndarray代表同一个类，只是名字不同。注意，nump.array与Python标准程序库的类array.array是不一样的，它只能处理一维数组，并且运算功能也没有numpy.array丰富。下面来看一下ndarray有哪些更重要的属性：

1. ndarray.ndim

表示数组的维数或axes个数。在Python的世界里，维数被称之为秩（rank）。

2. ndarray.shape

表示数组的维度，其shape用元组（tuple）表示为（m,n）的形式，表示为m行n列，并且length(shape)=ndim=rank。

3. ndarray.size

表示数组中的元素个数，也即shape中的m*n。它相当于Matlab中的numel函数。

4. ndarray.dtype

表示数组中的元素类型，在创建数组时可以指定为Python标准程序库中的类型，也可指定为NumPy库自己定义的数据类型。比如，numpy.int32，numpy.float64等。

5. ndarray.itemsize

表示数组中元素占用的字节大小，以字节为单位。比如，dtype为float64的元素的itemsize为8 (=64/8)。可以直接利用运算ndarray.dtype.itemsize获取。

6. ndarray.data

包含数组实际元素的缓冲区。通常情况下，我们不会用到这个特性，因为我们一般使用索引工具访问数组中的元素。

示例：

import numpy as npa = np.arange(15)print('array a is ...')print(a)b=a.reshape(3,5)print('array b is ...')print(b)print("The b's shape is ...")print(b.shape)print("The b's ndim is ...")print(b.ndim)print("The b's dtype name is ...")print(b.dtype.name)print("The b's itemsize is ...")print(b.itemsize)c = np.array([6, 7, 8])print(c)

输出：