Numpy 是Numerical Python的简写，用来进行高性能的科学计算以及数据分析的基础包。它是一些高级工具(pandas)的基础。它主要提供以下几个功能：
(1). ndarray：计算快，空间效率高的多纬的数组
(2). 快速操作数组的标准数学函数
(3). 向磁盘读写数据的工具，提供内存影射文件功能
(3). 线性代数，随机数生成器，傅立叶变换功能
(4). 整合用C,C++,以及Fortran写的代码的工具 （Python生态系统宗重要的功能）
事实上Numpy本身没有提供太多数据分析的函数，但是理解NumPy的数组，以及面向数组的计算对后期学习pandas等工具有很大的帮助。
1. ndarray , 多维数组对象
多维数组对象是NumPy的一个重要特点，它为庞大的数据集提供一个运算快且灵活的容器。
(1). 简单创建一个数组，通过调用pandas.array()，前提是需要引入numpy包，这里我门为了方便调用，将其重命名为np
In [6]: import numpy as np In [7]: a = [6,7.5,8,0,1]
# 用创建的list对象来创建array对象
In [8]: arr1 = np.array(a) In [9]: arr1
Out[9]: array([ 6. , 7.5, 8. , 0. , 1. ])
(2). 用嵌套序列来创建数组
n [12]: data2 = [[1, 2, 3, 4], [5, 6, 7, 8]] In [13]: arr2 = np.array(data2) In [14]: arr2
Out[14]:
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
(3). 除了用np.array 来创建数组外，还有一些其他的函数来创建新的数组。
zeros 和 ones 函数可以分别用来创建0，和1 元素的数组。
In [15]: np.zeros(10)
Out[15]: array([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
In [16]: np.ones((3,5))
Out[16]:
array([[ 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1.]])
通过np.empty 创建一个由任意数初始化的数组
In [21]: np.empty((2,3,2))
Out[21]:
array([[[ 6.91210571e-310, 1.97791711e-316],
[ 0.00000000e+000, 0.00000000e+000],
[ 0.00000000e+000, 0.00000000e+000]], [[ 0.00000000e+000, 0.00000000e+000],
[ 0.00000000e+000, 0.00000000e+000],
[ 0.00000000e+000, 0.00000000e+000]]])
通过arrange函数创建：
In [28]: np.arange(10)
Out[28]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
(4). 查看数组属性
# 查看数组维度
In [24]: arr2.ndim
Out[24]: 2
# 查看数组大尺寸
In [25]: arr2.shape
Out[25]: (2, 4)
# 查看数组元素类型
In [26]: arr2.dtype
Out[26]: dtype('int64')
。。。。。
2. ndarrays 的数据类型：
在创建数组的时候可以指定数据元素的类型，用dtype指定类型，说明在解析数组所在内存空间的时候采用什么方式。这使得NumPy 更加强大和易用。
在大多数情况下，NumPy是直接类型映射成底层的二进制，这使得其更容易以二进制流的方式去读写数据。
In [3]: arr1 = np.array([1,2,3,4],dtype = np.float64) In [4]: arr2 = np.array([4,3,2,1],dtype = np.int32) In [5]: arr1.dtype
Out[5]: dtype('float64') In [6]: arr2.dtype
Out[6]: dtype('int32')
数据类型表:
可以显示的将一种类型强转为另一种类型，这时需要使用astye函数
In [7]: arr2.dtype
Out[7]: dtype('int32')
In [8]: float_arr2 = arr2.astype(np.float64)
In [9]: float_arr2
Out[9]: array([ 4., 3., 2., 1.])
In [10]: float_arr2.dtype
Out[10]: dtype('float64')
但是当把浮点类型转化为整形的时候会出现截断：
In [11]: arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1]) In [12]: arr.astype(np.int32)
Out[12]: array([ 3, -1, -2, 0, 12, 10], dtype=int32)
也可以把字符串表示的数字转换为数值类型，但是可能在转换过程中出错，因为有的字符串无法转换为数值类型。
In [13]: numeric_strings = np.array(['1.25', '-9.6', ''], dtype=np.string_) In [14]: numeric_strings.astype(float)
Out[14]: array([ 1.25, -9.6 , 42. ])
3. 运算
可以在NumPy的数组之间，以及数组和数字之间作运算。
In [15]: arr = np.array([[1., 2., 3.], [4., 5., 6.]]) In [16]: arr
Out[16]:
array([[ 1., 2., 3.],
[ 4., 5., 6.]])
# 数组间乘法
In [17]: arr * arr
Out[17]:
array([[ 1., 4., 9.],
[ 16., 25., 36.]])
# 数组间减法
In [18]: arr - arr
Out[18]:
array([[ 0., 0., 0.],
[ 0., 0., 0.]])
# 数和数组的除法
In [19]: 1 / arr
Out[19]:
array([[ 1. , 0.5 , 0.33333333],
[ 0.25 , 0.2 , 0.16666667]])
# 数和数组的乘法
In [20]: arr * 0.5
Out[20]:
array([[ 0.5, 1. , 1.5],
[ 2. , 2.5, 3. ]])
不同尺寸大小的数组间也是可以运算的。