0dayhub在这篇文章中，我们将介绍使用NumPy的基础知识，NumPy是一个功能强大的Python库，允许更高级的数据操作和数学计算。
什么是 NumPy?
NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy这个词来源于两个单词– Numerical和Python
-
机器学习模型：在编写机器学习算法时，需要对矩阵进行各种数值计算。例如矩阵乘法、换位、加法等。NumPy提供了一个非常好的库，用于简单(在编写代码方面)和快速(在速度方面)计算。NumPy数组用于存储训练数据和机器学习模型的参数。
-
图像处理和计算机图形学：计算机中的图像表示为多维数字数组。NumPy成为同样情况下最自然的选择。实际上，NumPy提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。
-
数学任务：NumPy对于执行各种数学任务非常有用，如数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于Python的MATLAB的快速替代。
NumPy 的安装
在你的计算机上安装NumPy的最快也是最简单的方法是在shell上使用以下命令：pip install numpy
这将在你的计算机上安装最新/最稳定的NumPy版本。通过PIP安装是安装任何Python软件包的最简单方法。现在让我们来谈谈NumPy中最重要的概念，NumPy数组。
NumPy 中的数组
NumPy提供的最重要的数据结构是一个称为NumPy数组的强大对象。NumPy数组是通常的Python数组的扩展。NumPy数组配备了大量的函数和运算符，可以帮助我们快速编写上面讨论过的各种类型计算的高性能代码。让我们看看如何快速定义一维NumPy数组：
import numpy as np
my_array = np.array([1, 2, 3, 4, 5])
print my_array在上面的简单示例中，我们首先使用import numpy作为np导入NumPy库。然后，我们创建了一个包含5个整数的简单NumPy数组，然后我们将其打印出来。继续在自己的机器上试一试。在看 “NumPy安装” 部分下面的步骤的时候，请确保已在计算机中安装了NumPy。
现在让我们看看我们可以用这个特定的NumPy数组能做些什么。
print my_array.shape它会打印我们创建的数组的形状：(5, )
我们也可以打印各个元素。就像普通的Python数组一样，NumPy数组的起始索引编号为0。
print my_array[0]
print my_array[1]上述命令将分别在终端上打印1和2。我们还可以修改NumPy数组的元素。例如，假设我们编写以下2个命令：
my_array[0] = -1
print my_array我们将在屏幕上看到：[-1,2,3,4,5]
现在假设，我们要创建一个长度为5的NumPy数组，但所有元素都为0，我们可以这样做吗？是的。NumPy提供了一种简单的方法来做同样的事情。
my_new_array = np.zeros((5))
print my_new_array我们将看到输出了 [0., 0., 0., 0., 0.] 。与 np.zeros 类似，我们也有 np.ones
my_random_array = np.random.random((5))
print my_random_array我们得到的输出看起来像 [0.22051844 0.35278286 0.11342404 0.79671772 0.62263151] 这样的数据。你获得的输出可能会有所不同，因为我们使用的是随机函数，它为每个元素分配0到1之间的随机值。
现在让我们看看如何使用NumPy创建二维数组。
my_2d_array = np.zeros((2, 3)) print my_2d_array这将在屏幕上打印以下内容：
[[0. 0. 0.]
[0. 0. 0.]]猜猜以下代码的输出结果如何：
my_2d_array_new = np.ones((2, 4)) print my_2d_array_new这里是：
[[1. 1. 1. 1.]
[1. 1. 1. 1.]]基本上，当你使用函数np.zeros()或np.ones()时，你可以指定讨论数组大小的元组。在上面的两个例子中，我们使用以下元组，(2, 3) 和(2, 4) 分别表示2行，3列和4列。像上面那样的多维数组可以用 my_array[i][j]
my_array = np.array([[4, 5], [6, 1]])
print my_array[0][1]上面的代码片段的输出是5，因为它是索引0行和索引1列中的元素。
你还可以按如下方式打印my_array的形状：
print my_array.shape输出为(2, 2)，表示数组中有2行2列。
NumPy提供了一种提取多维数组的行/列的强大方法。例如，考虑我们上面定义的my_array
[[4 5] [6 1]]假设，我们想从中提取第二列（索引1）的所有元素。在这里，我们肉眼可以看出，第二列由两个元素组成：5 和 1
my_array_column_2 = my_array[:, 1]
print my_array_column_2注意，我们使用了冒号(:)而不是行号，而对于列号，我们使用了值1，最终输出是：[5, 1]
我们可以类似地从多维NumPy数组中提取一行。现在，让我们看看NumPy在多个阵列上执行计算时提供的强大功能。
NumPy中的数组操作
使用NumPy，你可以轻松地在数组上执行数学运算。例如，你可以添加NumPy数组，你可以减去它们，你可以将它们相乘，甚至可以将它们分开。 以下是一些例子：
import numpy as np
a = np.array([[1.0, 2.0], [3.0, 4.0]])
b = np.array([[5.0, 6.0], [7.0, 8.0]])
sum = a + b
difference = a - b
product = a * b
quotient = a / b
print "Sum = \n", sum
print "Difference = \n", difference
print "Product = \n", product
print "Quotient = \n", quotient
# The output will be as follows:
Sum = [[ 6. 8.] [10. 12.]]
Difference = [[-4. -4.] [-4. -4.]]
Product = [[ 5. 12.] [21. 32.]]
Quotient = [[0.2 0.33333333] [0.42857143 0.5 ]]如你所见，乘法运算符执行逐元素乘法而不是矩阵乘法。 要执行矩阵乘法，你可以执行以下操作：
matrix_product = a.dot(b)
print "Matrix Product = ", matrix_product输出将是：
[[19. 22.]
[43. 50.]]总结
如你所见，NumPy在其提供的库函数方面非常强大。你可以使用NumPy公开的优秀的API在单行代码中执行大型计算。这使它成为各种数值计算的优雅工具。如果你希望自己成为一名数学家或数据科学家，你一定要考虑掌握它。在熟练掌握NumPy之前，你需要了解Python。
你可以在 Hackr.io 上找到编程社区推荐的最佳Python 教程，愿上帝保佑你！
文章出处
由NumPy中文文档翻译，原作者为 Vijay Singh，翻译至：https://dzone.com/articles/understanding-numpy。