1. Numpy介绍

• Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
• Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
• Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

2 ndarray介绍

NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合

3 ndarray与Python原生list运算效率对比

ndarray的计算速度要快很多，节约了时间。
机器学习的最大特点就是大量的数据运算，那么如果没有一个快速的解决方案，那可能现在python也在机器学习领域达不到好的效果。
Numpy专门针对ndarray的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优 势就越明显。

4 ndarray的优势

4.1 内存块风格

这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python 原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy 的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。

• numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算
• Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯 Python代码。

5. ndarray基础

5.1 ndarray的属性

5.2 ndarray的使用

5.3 ndarray的属性

5.4 数组的形状

5.5 数组的类型

5.6 数组的基本操作

1.生成数组的方式

• 生成0、1数组
  
• 从现有数组中生成
  
• 生成固定范围的数组

np.linspace (start, stop, num, endpoint)
创建等差数组 — 指定数量
参数:
start:序列的起始值
stop:序列的终止值
num:要生成的等间隔样例数量，默认为50
endpoint:序列中是否包含stop值，默认为ture

np.arange(start,stop, step, dtype)
创建等差数组 — 指定步长
参数step:步长,默认值为1

np.logspace(start,stop, num)
创建等比数列
参数:
num:要生成的等比数列数量，默认为50

• 生成随机数组
  正态分布
  
  均匀分布
  

5.7 数组的索引和切片

5.8 形状修改

5.9 类型修改

5.10 数组的去重

6. ndarray的运算

6.1 逻辑运算

6.2 通用判断函数

6.3 np.where（三元运算符）

6.4 统计运算

6.5 数组间的运算

广播机制实现了时两个或两个以上数组的运算，即使这些数组的shape不是完全相同的，只需要满足如下任意一个条件即可。 如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符， 或其中的一方的长度为1。

6.6 矩阵的运算

np.matmul和np.dot的区别: 二者都是矩阵乘法。 np.matmul中禁止矩阵与标量的乘法。 在矢量乘矢量的內积运算中，np.matmul与np.dot没有区别。