NumPy简介

什么是 NumPy?

NumPy是一个功能强大的Python库，主要用于对多维数组进行计算。NumPy这个词来源于两个单词 Numerical 和 Python 。NumPy提供了大量的库函数和操作，可以帮助程序员轻松地进行数值计算。这类数值计算广泛用于以下任务：

• 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的核心内容

NumPy是Python中的一个运算速度非常快的一个数学库，它非常重视数组。它允许你在Python中进行向量和矩阵计算，并且由于许多底层函数实际上是用C编写的，因此你可以体验在原生Python中永远无法体验到的速度。

NumPy包的核心是 ndarray 对象。

它封装了python原生的同数据类型的n维数组，为了保证其性能优良，其中有许多操作都是代码在本地进行编译后执行的。
NumPy数组和标准Python Array（数组）之间有几个重要的区别：

• NumPy数组在创建时具有固定的大小，与Python的原生数组对象（可以动态增长）不同。 更改ndarray的大小将创建一个新数组并删除原来的数组。
• NumPy数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。
• NumPy数组有助于对大量数据进行高级数学和其他类型的操作。 通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。

越来越多的基于Python的科学和数学软件包使用NumPy数组；虽然这些工具通常都支持Python的原生数组作为参数，但它们在处理之前会还是会将输入的数组转换为NumPy的数组，而且也通常输出为NumPy数组。
换句话说，为了高效地使用当今科学/数学基于Python的工具，你只知道如何使用Python的原生数组类型是不够的，还需要知道如何使用NumPy数组。

关于数组大小和速度的要点在科学计算中尤为重要。举一个简单的例子，考虑将1维数组中的每个元素与相同长度的另一个序列中的相应元素相乘的情况。如果数据存储在两个Python列表a和b中，我们可以迭代每个元素，如下所示：

c = []
for i in range(len(a)):
    c.append(a[i]*b[i])

确实符合我们的要求，但如果a和b每个包含数百万个数字，我们将为Python中循环的低效率付出代价。我们可以通过使用C语言来编写代码帮助我们更快地完成相同的任务。

for (i = 0; i < rows; i++): {
  c[i] = a[i]*b[i];
}

这节省了解释Python代码和操作Python对象所涉及的所有开销，但牺牲了用Python编写代码所带来的好处。此外，编码工作需要增加的维度，我们的数据。例如，对于二维数组，C代码（如前所述）会扩展为这样：

for (i = 0; i < rows; i++): {
  for (j = 0; j < columns; j++): {
    c[i][j] = a[i][j]*b[i][j];
  }
}

NumPy为我们提供了两全其美的解决方案：当涉及到 ndarray 时，逐个元素的操作是“默认模式”，但逐个元素的操作由预编译的C代码快速执行。在NumPy中：

c = a * b

以近C速度执行前面的示例所做的事情，但是我们期望基于Python的代码具有简单性。的确，NumPy的语法更为简单！最后一个例子说明了NumPy的两个特征，它们是NumPy的大部分功能的基础：矢量化和广播。

矢量化描述了代码中没有任何显式的循环、索引等这些事情，当然，只是在优化的、预编译的C代码中“幕后”发生了这些事情。矢量化代码有许多优点，其中包括：

• 矢量化代码更简洁，更易于阅读
• 更少的代码行通常意味着更少的错误
• 代码更接近于标准的数学符号（更通俗易懂、更容易、正确的编码常规数学结构）
• 矢量化导致更多“Pythonic”代码。如果没有矢量化，我们的代码就会被低效且难以阅读的循环所困扰。

广播是用来描述操作的隐式逐个元素行为的术语；一般来说，在NumPy中，所有的操作，不仅是算术操作，而且是逻辑的、按位的、功能的等，以这种隐式逐个元素的方式表现，即它们广播。此外，在上面的示例中，a和b可以是相同形状的多维数组，也可以是一个标量和一个数组，甚至是两个不同形状的数组，只要较小的数组“可以”扩展到较大的数组的形状，从而得到的广播是明确的。