【介绍】

Numpy库作用于当代高效率开发过程中所会使用到的Python语言环境，整个工具提供了完善的代码库和规则库的支持，并且使用了行业内十分先进的数学算法，拥有随机数的生成器等实用的工具，可对大部分的数据都统一进行科学精确的后台运算，确保代码和定义规则的对应性，另支持批量Python自动脚本的制作。

功能介绍

强大的N维数组

NumPy矢量化，索引和广播概念快速且通用，是当今阵列计算的实际标准。数值计算工具

NumPy提供了全面的数学功能，随机数生成器，线性代数例程，傅立叶变换等。可互操作的

NumPy支持广泛的硬件和计算平台，并且可以与分布式，GPU和稀疏阵列库一起很好地使用。表演者

NumPy的核心是经过优化的C代码。借助编译后的代码，享受Python的灵活性。使用方便

NumPy的高级语法使其可以为来自任何背景或经验水平的程序员访问并提高生产力。开源的

NumPy是在开放的BSD许可下发行的，由一个活跃，响应迅速且多样化的社区在GitHub上公开开发和维护。

NumPy位于丰富的数据科学图书馆生态系统的核心。

典型的探索性数据科学工作流程可能如下所示：

提取，转换，加载： Pandas， Intake， PyJanitor

探索性分析： Jupyter， Seaborn， Matplotlib， Altair

建模和评估： scikit-learn， statsmodels， PyMC3， spaCy

仪表板中的报告： Dash， Panel， Voila

对于高数据量，Dask和 Ray是按比例缩放的。

稳定的部署依赖于数据版本控制（DVC），实验跟 踪（MLFlow）和工作流自动化（Airflow和 Prefect）。

软件特色

分布式阵列和高级并行分析功能，可实现大规模性能。

兼容NumPy的数组库，用于使用Python进行GPU加速计算。

NumPy程序的可组合转换：区分，矢量化，即时编译到GPU / TPU。

带标签的索引多维数组，用于高级分析和可视化

兼容NumPy的稀疏数组库，该库与Dask和SciPy的稀疏线性代数集成。

深度学习框架可加快从研究原型到生产部署的过程。

机器学习的端到端平台，可轻松构建和部署基于ML的应用程序。

深度学习框架适用于灵活的研究原型和生产。

用于列式内存数据和分析的跨语言开发平台。

具有广播和惰性计算的多维数组，用于数值分析。

开发用于数组计算的库，重新创建NumPy的基本概念。

使API与实现脱钩的Python后端系统；unumpy提供了一个NumPy API。

Tensor学习，代数和后端可无缝使用NumPy，MXNet，PyTorch，TensorFlow或CuPy

numpy怎么进行数组合并

Python中numpy数组的合并有很多方法，如

np.append()

np.concatenate()

np.stack()

np.hstack()

np.vstack()

np.dstack()

其中最泛用的是第一个和第二个。第一个可读性好，比较灵活，但是占内存大。第二个则没有内存占用大的问题。

方法一append

parametersintroduction

arr待合并的数组的复制（特别主页是复制，所以要多耗费很多内存）

values用来合并到上述数组复制的值。如果指定了下面的参数axis的话，则这些值必须和arr的shape一致(shape[axis]之外都相等)，否则的话，则没有要求。

axis要合并的轴

例程：

方法二concatenate

parameters introduction

*arrays 这些数组除了在待合并的axis（默认为axis=0）上之外，必须具有相同的shape

axis 待合并的轴，默认为0

例程：

numpy的数据结构

Numpy数组是一个多维数组对象，称为ndarray。其由两部分组成：

1 实际的数据

2 描述这些数据的元数据

一 ndarray的方法

# 多维数组ndarray

import numpy as np

ar = np.array([1,2,3,4,5,6,7])

print(ar) # 输出数组，注意数组的格式：中括号，元素之间没有逗号（和列表区分）

print(ar.ndim) # 输出数组维度的个数（轴数），或者说秩，维度的数量也称rank

print(ar.shape) # 数组的维度，对于n行m列的数组，shape为（n，m）

print(ar.size) # 数组的元素总数，对于n行m列的数组，元素总数为n*m

print(ar.dtype) # 数组中元素的类型，类似type()（注意了，type()是函数，.dtype是方法）

print(ar.itemsize) # 数组中每个元素的字节大小，int32l类型字节为4，float64的字节为8

print(ar.data) # 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

ar # 交互方式下输出，会有array(数组)

# 数组的基本属性

# ① 数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推

# ② 在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量：

# 比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组

# 所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。

# 而轴的数量秩，就是数组的维数。

输出：

[1 2 3 4 5 6 7]

1

(7,)

7

int32

4

array([1, 2, 3, 4, 5, 6, 7])

二 创建数组

1 利用array（）函数

# 创建数组：array()函数，括号内可以是列表、元祖、数组、生成器等

ar1 = np.array(range(10)) # 整型

ar2 = np.array([1,2,3.14,4,5]) # 浮点型

ar3 = np.array([[1,2,3],('a','b','c')]) # 二维数组：嵌套序列（列表，元祖均可）

ar4 = np.array([[1,2,3],('a','b','c','d')]) # 注意嵌套序列数量不一会怎么样

print(ar1,type(ar1),ar1.dtype)

print(ar2,type(ar2),ar2.dtype)

print(ar3,ar3.shape,ar3.ndim,ar3.size) # 二维数组，共6个元素

print(ar4,ar4.shape,ar4.ndim,ar4.size) # 一维数组，共2个元素

输出：

[0 1 2 3 4 5 6 7 8 9]int32

[ 1. 2. 3.14 4. 5. ]float64

[['1' '2' '3']

['a' 'b' 'c']] (2, 3) 2 6

[[1, 2, 3] ('a', 'b', 'c', 'd')] (2,) 1 2

2 利用arrange（）函数

# 创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。

print(np.arange(10)) # 返回0-9，整型

print(np.arange(10.0)) # 返回0.0-9.0，浮点型

print(np.arange(5,12)) # 返回5-11

print(np.arange(5.0,12,2)) # 返回5.0-12.0，步长为2

print(np.arange(10000)) # 如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，并只打印边角：

输出：

[0 1 2 3 4 5 6 7 8 9]

[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]

[ 5 6 7 8 9 10 11]

[ 5. 7. 9. 11.]

[ 0 1 2 ..., 9997 9998 9999]

3 利用linspace（）函数

# 创建数组：linspace():返回在间隔[开始，停止]上计算的num个均匀间隔的样本。

ar1 = np.linspace(2.0, 3.0, num=5)

ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False)

ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)

print(ar1,type(ar1))

print(ar2)

print(ar3,type(ar3))

# numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

# start：起始值，stop：结束值

# num：生成样本数，默认为50

# endpoint：如果为真，则停止是最后一个样本。否则，不包括在内。默认值为True。

# retstep：如果为真，返回（样本，步骤），其中步长是样本之间的间距 输出为一个包含2个元素的元祖，第一个元素为array，第二个为步长实际值

输出：

[ 2. 2.25 2.5 2.75 3. ]

[ 2. 2.2 2.4 2.6 2.8]

(array([ 2. , 2.25, 2.5 , 2.75, 3. ]), 0.25)

4 利用zeros()/zeros_like()/ones()/ones_like()

# 创建数组：zeros()/zeros_like()/ones()/ones_like()

ar1 = np.zeros(5)

ar2 = np.zeros((2,2), dtype = np.int)

print(ar1,ar1.dtype)

print(ar2,ar2.dtype)

print('------')

# numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组，用零填充。

# shape：数组纬度，二维以上需要用()，且输入参数为整数

# dtype：数据类型，默认numpy.float64

# order：是否在存储器中以C或Fortran连续（按行或列方式）存储多维数据。

ar3 = np.array([list(range(5)),list(range(5,10))])

ar4 = np.zeros_like(ar3)

print(ar3)

print(ar4)

print('------')

# 返回具有与给定数组相同的形状和类型的零数组，这里ar4根据ar3的形状和dtype创建一个全0的数组

ar5 = np.ones(9)

ar6 = np.ones((2,3,4))

ar7 = np.ones_like(ar3)

print(ar5)

print(ar6)

print(ar7)

# ones()/ones_like()和zeros()/zeros_like()一样，只是填充为1

输出：

[ 0. 0. 0. 0. 0.] float64

[[0 0]

[0 0]] int32

------

[[0 1 2 3 4]

[5 6 7 8 9]]

[[0 0 0 0 0]

[0 0 0 0 0]]

------

[ 1. 1. 1. 1. 1. 1. 1. 1. 1.]

[[[ 1. 1. 1. 1.]

[ 1. 1. 1. 1.]

[ 1. 1. 1. 1.]]

[[ 1. 1. 1. 1.]

[ 1. 1. 1. 1.]

[ 1. 1. 1. 1.]]]

[[1 1 1 1 1]

[1 1 1 1 1]]

5 eye（）

# 创建数组：eye()

print(np.eye(5))

# 创建一个正方的N*N的单位矩阵，对角线值为1，其余为0

输出：

[[ 1. 0. 0. 0. 0.]

[ 0. 1. 0. 0. 0.]

[ 0. 0. 1. 0. 0.]

[ 0. 0. 0. 1. 0.]

[ 0. 0. 0. 0. 1.]]

三 ndarray的数据类型

bool 用一个字节存储的布尔类型（True或False）

int 由所在平台决定其大小的整数（一般为int32或int64）

int8 一个字节大小，-128 至 127

int16 整数，-32768 至 32767

int32 整数，-2 31 至 2 32 -1

int64 整数，-2 63 至 2 63 - 1

uint8 无符号整数，0 至 255

uint16 无符号整数，0 至 65535

uint32 无符号整数，0 至 2 ** 32 - 1

uint64 无符号整数，0 至 2 ** 64 - 1

float16 半精度浮点数：16位，正负号1位，指数5位，精度10位

float32 单精度浮点数：32位，正负号1位，指数8位，精度23位

float64或float 双精度浮点数：64位，正负号1位，指数11位，精度52位

complex64 复数，分别用两个32位浮点数表示实部和虚部

complex128或complex 复数，分别用两个64位浮点数表示实部和虚部

四 数组形状

数组形状：.T/.reshape()/.resize()

ar1 = np.arange(10)

ar2 = np.ones((5,2))

print(ar1,'⁄n',ar1.T)

print(ar2,'⁄n',ar2.T)

print('------')

# .T方法：转置，例如原shape为(3,4)/(2,3,4)，转置结果为(4,3)/(4,3,2) 所以一维数组转置后结果不变

ar3 = ar1.reshape(2,5) # 用法1：直接将已有数组改变形状

ar4 = np.zeros((4,6)).reshape(3,8) # 用法2：生成数组后直接改变形状

ar5 = np.reshape(np.arange(12),(3,4)) # 用法3：参数内添加数组，目标形状

print(ar1,'⁄n',ar3)

print(ar4)

print(ar5)

print('------')

# numpy.reshape(a, newshape, order='C')：为数组提供新形状，而不更改其数据，所以元素数量需要一致！！

ar6 = np.resize(np.arange(5),(3,4))

print(ar6)

# numpy.resize(a, new_shape)：返回具有指定形状的新数组，如有必要可重复填充所需数量的元素。

# 注意了：.T/.reshape()/.resize()都是生成新的数组！！！

输出：

[0 1 2 3 4 5 6 7 8 9]

[0 1 2 3 4 5 6 7 8 9]

[[ 1. 1.]

[ 1. 1.]

[ 1. 1.]

[ 1. 1.]

[ 1. 1.]]

[[ 1. 1. 1. 1. 1.]

[ 1. 1. 1. 1. 1.]]

------

[0 1 2 3 4 5 6 7 8 9]

[[0 1 2 3 4]

[5 6 7 8 9]]

[[ 0. 0. 0. 0. 0. 0. 0. 0.]

[ 0. 0. 0. 0. 0. 0. 0. 0.]

[ 0. 0. 0. 0. 0. 0. 0. 0.]]

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

------

[[0 1 2 3]

[4 0 1 2]

[3 4 0 1]]

五 数组的复制

# 数组的复制

ar1 = np.arange(10)

ar2 = ar1

print(ar2 is ar1)

ar1[2] = 9

print(ar1,ar2)

# 回忆python的赋值逻辑：指向内存中生成的一个值 这里ar1和ar2指向同一个值，所以ar1改变，ar2一起改变

ar3 = ar1.copy()

print(ar3 is ar1)

ar1[0] = 9

print(ar1,ar3)

# copy方法生成数组及其数据的完整拷贝

# 再次提醒：.T/.reshape()/.resize()都是生成新的数组！！！

输出：

True

[0 1 9 3 4 5 6 7 8 9] [0 1 9 3 4 5 6 7 8 9]

False

[9 1 9 3 4 5 6 7 8 9] [0 1 9 3 4 5 6 7 8 9]

numpy使用教程

numpy怎么安装

1、首先大家要去下载和你python版本相对应的安装包

2、接着确保自己的电脑中安装了pip

3、然后将安装包放到一个位置，小编是放在桌面

4、接下来进入到安装包所在的目录

5、然后执行pip install命令即可

6、接着出现success的时候就代表安装成功

7、最后安装完了可以利用import验证一下是否安装成功，不报错就是成功了

numpy怎么读取excel数据

1、打开电脑，在桌面鼠标右键选择新建excel工作表；接着打开工作表，在sheet1插入一个表格

2、然后在excel表格sheet2，插入另一个表格数据

3、双击打开pycharm工具，新建python文件，导入pandas包；调用read_excel()方法读取excel文件数据

4、保存代码并运行python文件，结果出现了报错，缺少xlrd包

5、点击File菜单，选择Settings，找到项目对应的Project Interpreter，安装xlrd

6、安装完毕后，再次运行代码，可以查看到控制台打印出excel文件数据

numpy怎么打开

1、首先，第一步打开电脑的运行，快捷键是win+r，然后输入cmd打开命令窗口。

2、第二步，在打开的命令窗口中输入pip --version，查看电脑是否有安装pip（截图显示已经安装好的，若出现pip不是内部或外部命令则说明没有安装好），注意'--'前面有空格。

3、第三步，如果发现自己没有安装pip，就在命令窗口中输入'easy_install.exe pip'这条命令，如果出现以下的内容说明安装好了。

4、第四步，如果发现自己已经安装pip，但是版本是旧版本的话，可以输入pip install pip --upgrade这条命令，以此来升级pip。

5、第五步，这时候可以重新输入pip --version这条命令，来查看自己的版本。

6、第六步，有了最新版的pip之后，就可以在命令窗口输入pip install numpy，此时numpy就安装成功了。

numpy怎么下载

1、先下载适合你电脑的numpy安装文件。本人是python3.4版本，32位windows系统，所以下载的是这个：numpy-1.11.2-cp34-none-win32.whl (md5, pgp)

2、下载好后将文件放到python安装目录下的scripts文件夹中。如果python安装正确的话这个文件夹中应该还有pip和easy_install.

3、然后将上述文件夹路径加入到系统变量中。

方法如下：把Scripts这个目录拷贝下来,然后右击计算机-属性-高级系统设置-环境变量-系统变量-path-编辑它将刚才的路径粘贴进去。

4、然后在dos命令下输入pip3.4 install +numpy的路径+文件名。比如我的是：

pip3.4 install D:⁄Python34⁄Scripts⁄numpy-1.11.2-cp34-none-win32.whl#md5=532f1b0a76ca4157e897cf823b06cc3b.whl

5、安装成功就会提示successfully installed。

6、最后要检验到底有没有成功，可以通过在python中输入import numpy，如果没有提示异常，就说明安装成功

numpy中文手册

# 1、安装包

$ pip install numpy

# 2、进入python的交互式界面

$ python -i

# 3、使用Numpy

>>> from numpy import *

>>> eye(4)

# 4、输出结果

array([[1., 0., 0., 0.],

[0., 1., 0., 0.],

[0., 0., 1., 0.],

[0., 0., 0., 1.]])

特别说明

改变世界从 Python 开始。

下载numpy是要看清楚版本，2.7就下载cp27,3.4就下载cp34。

上文就是小编为您带来的NumPy库了，更多精彩软件请多多关注软件爱好者。