Numpy 簡介

1. 什么是 NumPy？

Numpy，（Numerical Python 的縮寫），它是 Python 語言的一個擴展程序庫，支持數(shù)組結(jié)構(gòu)與矩陣運算，并且針對數(shù)組運算提供大量便捷的數(shù)學函數(shù)庫。Numpy 大大簡化了向量和矩陣的操作及處理流程，降低了數(shù)據(jù)開發(fā)的門檻。除了做數(shù)值計算和統(tǒng)計分析，在程序中處理和調(diào)試高級用例的時候，熟練掌握 Numpy 所帶來的優(yōu)勢和便利也不言而喻。

縱觀 Python 的開發(fā)生態(tài)，Numpy 在數(shù)據(jù)分析、機器學習和科學計算領(lǐng)域，有著舉足輕重的定位。數(shù)據(jù)分析用到的 Pandas ，數(shù)據(jù)挖掘和深度學習用到的 Scikit-learn 和 Tensorflow，以及科學計算常用的 SciPy ，都是以 Numpy 為基礎(chǔ)進行開發(fā)的。

2. NumPy 的特點

NumPy 是一個運行速度非?？斓臄?shù)學庫，主要包含如下能力：

• 一個高效的 N 維數(shù)組對象 ndarray；
• 廣播功能函數(shù)，無須循環(huán)即可對數(shù)組進行快速運算；
• 讀寫磁盤以及操作內(nèi)存映射文件；
• 一個用于集成 C / C++ / Fortran 代碼的工具；
• 線性代數(shù)、傅里葉變換、隨機數(shù)生成等功能。

其中 ndarray 對象是 NumPy 包的核心，ndarray 對象和標準的 Python 序列數(shù)據(jù)結(jié)構(gòu)的顯著區(qū)別在于：

• ndarray 對象在創(chuàng)建時有固定的大小，這一點不同于 Python 列表。
• ndarray 對象中的元素都具有相同的數(shù)據(jù)類型，因此在存儲器中將具有相同的大小
• ndarray 對象便于對大量據(jù)進行高級數(shù)學和其他類型的操作。在大數(shù)據(jù)時代，對幾百萬甚至更大的數(shù)據(jù)進行頻繁的循環(huán)迭代計算，于每一個數(shù)據(jù)開發(fā)者而言都是一場巨大的災難，而 Numpy 利用矢量化運算，可以有效地避免這一點。

3. Numpy 的應用領(lǐng)域

3.1 科學計算

NumPy 通常與 SciPy（Scientific Python）和 Matplotlib（繪圖庫）一起使用， 這種組合廣泛用于替代 MatLab，是一個強大的科學計算環(huán)境，有助于我們通過 Python 學習數(shù)值計算或者統(tǒng)計分析。Python 作為 MatLab 的替代方案，現(xiàn)在越來越被視為一種更加高效和可擴展的實現(xiàn)語言。

3.1 數(shù)據(jù)分析

Numpy 專注于數(shù)組數(shù)據(jù)的處理，其和 Pandas 一起使用的時候，這種組合則將應用范疇從數(shù)據(jù)拓展到各種表格和雜亂的數(shù)據(jù)格式，是一個非常有用的工作助力。在大數(shù)據(jù)時代，經(jīng)過合理的優(yōu)化編排，Numpy/ Pandas 組合處理幾個 G 的數(shù)據(jù)綽綽有余，甚至處理能力上探到幾十個 G。

4. 為什么要學習 NumPy ？

Numpy 是基于 C 語言開發(fā)，因此繼承了 C 語言運算速度快、消耗資源少等優(yōu)點，并且 Numpy 被廣泛應用于數(shù)據(jù)分析、機器學習和深度學習等領(lǐng)域，因此掌握 Numpy 對能力提升和職場晉升的重要性不言而喻。

5. 適用人群

越來越多的用于科學計算與分析的包以 Numpy 作為底層數(shù)據(jù)結(jié)構(gòu)基礎(chǔ)，并且支持 Python 序列（如 list）作為輸入。例如上面提到的 Scikit-learn、Pandas，他們在進行數(shù)據(jù)處理之前會默認將輸入轉(zhuǎn)化為 Numpy 數(shù)組。但是為了更有效地使用這些工具，只知道如何使用是不夠的，還需要知道 Numpy 數(shù)組是如何工作的。

因此對于每一位從事科學計算、分析、數(shù)據(jù)處理相關(guān)工作的人，都需要學習并了解Numpy。

6. 本課程的學習基礎(chǔ)

Numpy 是 Python 開發(fā)生態(tài)中重要的一環(huán)，因此在學習 Numpy 之前，你需要具備一定的 Python 基礎(chǔ)。