NumPy（创建及基本函数）

要点

NumPy之于数值计算特别重要的原因之一，是因为它可以高效处理大数组的数据。

NumPy是在一个连续的内存块中存储数据，独立于其他Python内置对象。NumPy的C语言编写的算法库可以操作内存，而不必进行类型检查或其它前期工作。比起Python的内置序列， NumPy数组使用的内存更少。

NumPy可以在整个数组上执行复杂的计算，而不需要Python的for循环。

基于NumPy的算法要比纯Python快10到100倍（甚至更快），并且使用的内存更少。

 import numpy as np

 %timeit my_arr = np.arange(1000000)

 %timeit my_list = list(range(1000000))

性能对比

NumPy的ndarray：一种多维数组对象。

NumPy重要的一个特点就是其N维数组对象（即ndarray），该对象是一个快速而灵活的大数据集容器。你可以利用这种数组对整块数据执行一些数学运算，其语法跟标量元素之间的运算一样。

import numpy as np

data = np.random.randn(2, 3)

array

ndarray是一个通用的同构数据多维容器，所有元素必须是相同类型的

# 取维度大小 
data.shape 
# 取数据数据类型 
data.dtype

多维数组容器

 data1 = [5,8.4,9,233]

 arr = np.array(data1)

创建ndarray

嵌套序列（比如由一组等长列表组成的列表）将会被转换为一个多维数组嵌套序列（比如由一组等长列表组成的列表）将会被转换为一个多维数组

data2 = [[1,2,3,4],[5,6,7,8]]

arr1 = np.array(data2)

# 取维度 
arr1.ndim 
arr1.shape 
arr1.dtype

多维数组

zeros和ones分别可以创建指定长度或形状的全0或全1数组。empty可以创建一个没有任何具体值的数组。np.empty返回的都是一些未初始化的垃圾值。

np.zeros(10)

np.ones((3,6))

np.empty((2,3,2))

np.arange(15)

基本函数

函数	说明
array	将输入数据（列表、元组、数组或其它序列类型）转换为ndarry。推断除dtype或特别指定dtype。默认直接赋值输入数据
asarry	将输入转化为ndarray,如果输入本身是一个ndarray就不在复制
arange	类似于内置的range，但返回的是一个ndarray而非list
ones，ones_like	根据指定的形状和dtype创建一个全一数组。ones_like以另一个数组为参数，并根据其形状和dtype创建一个全一数组
zeros,zeros_like	类似于ones和ones_like，只不过产生的是全0数组而已
empty，empty_like	创建新数组，只分配内存空间但不填充任何值
full，full_like	用full value中的所有值，根据指定的形状和dtype创建一个数组。full_like使用另一个数组，用相同的形状和dtype创建
eye,identity	创建一个正方的N*N单位矩阵（对角线为一，其余为零）